CN112270814A - 动态告警方法、装置、电子设备和可读存储介质 - Google Patents
动态告警方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112270814A CN112270814A CN202011513445.1A CN202011513445A CN112270814A CN 112270814 A CN112270814 A CN 112270814A CN 202011513445 A CN202011513445 A CN 202011513445A CN 112270814 A CN112270814 A CN 112270814A
- Authority
- CN
- China
- Prior art keywords
- historical
- dynamic threshold
- condition data
- dynamic
- 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 56
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 239000002828 fuel tank Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例提供了一种动态告警方法、装置、电子设备和可读存储介质，涉及工业互联网技术领域。本申请实施例提供的一种动态告警方法、装置、电子设备和可读存储介质，通过获取待监测物体的工况数据，以及至少一种第一变量值，将至少一种第一变量值输入预先训练得到的动态阈值模型，得到动态阈值模型输出的动态阈值结果。判断工况数据是否大于动态阈值结果，若该工况数据大于动态阈值结果，则确定待监测物体发生故障，并发出告警信息，如此，可动态地调节动态阈值结果，改善了不同环境下，因告警阈值固定而造成的误报和漏报的情况，从而提高了在不同环境下判断待监测物体出现故障的准确性。
Description
技术领域
本申请涉及工业互联网技术领域，具体而言，涉及一种动态告警方法、装置、电子设备和可读存储介质。
背景技术
工业互联网（Industrial Internet）是一种开放、全球化的网络，能够将人、数据和机器连接起来，属于泛互联网的目录分类。它是全球工业系统与高级计算、分析、传感技术及互联网的高度融合。其本质和核心是通过工业互联网平台把设备、生产线、工厂、供应商、产品和客户紧密地连接融合起来。可以帮助制造业拉长产业链，形成跨设备、跨系统、跨厂区、跨地区的互联互通，从而提高效率，推动整个制造服务体系智能化。还有利于推动制造业融通发展，实现制造业和服务业之间的跨越发展，使工业经济各种要素资源能够高效共享。
对于工业互联网系统而言，为了更好地服务工业生产，需要功能完善的告警系统来精准地监控设备的意外情况，通过设备上的传感器采集工况数值情况，并对工况数据进行监测，实现自动化告警。
传统的工业互联网系统都会通过预先设定阈值来作为设备数据的告警阈值。例如，油温超过80℃则触发告警。但是这种方法往往存在告警不够准确的问题。
发明内容
有鉴于此，本申请提供了一种动态告警方法、装置、电子设备和可读存储介质，以解决上述问题。
本申请的实施例可以这样实现：
第一方面，本申请提供一种动态告警方法，所述方法包括：
获取待监测物体的工况数据，以及至少一种第一变量值；
将至少一种所述第一变量值输入预先训练得到的动态阈值模型，得到所述动态阈值模型输出的动态阈值结果；
判断所述工况数据是否大于所述动态阈值结果，若所述工况数据大于所述动态阈值结果，则确定所述待监测物体发生故障，并发出告警信息；所述方法还包括获得动态阈值模型的步骤，该步骤包括：
获取多个不同种类的历史第一变量值以及所述待监测物体的多个历史工况数据，其中，所述历史工况数据在所述待监测物体发生故障的情况下采集得到；
基于多元回归模型，对全部所述历史第一变量值以及多个所述历史工况数据进行线性拟合，得到动态阈值模型；
其中，所述多元回归模型包括：
其中，
均为待求解参数，
为待求解误差值，
为第i个第一种类的历史第一变量值，
为第i个第二种类的历史第一变量值，
为第i个第n种类的历史第一变量值，
为第i个历史工况数据。
在可选的实施方式中，所述基于多元回归模型，对多个所述历史第一变量值以及多个所述历史工况数据进行线性拟合，得到动态阈值模型的步骤包括：
对多个所述历史第一变量值以及多个所述历史工况数据进行数据清理；
将数据清理后的多个历史第一变量值以及多个历史工况数据分别带入所述多元回归模型；
对该多元回归模型进行求解，得到该多元回归模型中每个常数的数值，以完成线性拟合；
将每个所述常数的数值带入所述多元回归模型，得到动态阈值模型。
在可选的实施方式中，所述第一变量值包括所述待监测物体的寿命周期、所述待监测物体的机理模型的设计值、所述待监测物体的发生故障时的历史相关值、所述待监测物体所处的环境数据中的一种或多种。
在可选的实施方式中，所述将至少一个所述第一变量值输入预先训练的动态阈值模型，得到动态阈值模型输出的动态阈值结果的步骤包括：
将至少一个所述第一变量值输入预先训练的动态阈值模型；
对输入至少一个所述第一变量值的动态阈值模型进行求解，得到求解值；
将所述求解值作为动态阈值模型输出的动态阈值结果。
在可选的实施方式中，所述方法还包括：
若所述工况数据小于或等于所述动态阈值结果，则确定所述待监测物体未发生故障；
再次执行获取所述待监测物体的工况数据至判断所述工况数据是否大于所述动态阈值结果的步骤，直至确定所述待监测物体发生故障，发出告警信息。
第二方面，本申请提供一种动态告警装置，所述装置包括：
获取模块，用于获取待监测物体的工况数据，以及至少一种第一变量值；
输入模块，用于将至少一种所述第一变量值输入预先训练得到的动态阈值模型，得到所述动态阈值模型输出的动态阈值结果；
判断模块，用于判断所述工况数据是否大于所述动态阈值结果，若所述工况数据大于所述动态阈值结果，则确定所述待监测物体发生故障，并发出告警信息；
所述装置还用于获得动态阈值模型；所述装置具体用于获取多个不同种类的历史第一变量值以及所述待监测物体的多个历史工况数据，其中，所述历史工况数据在所述待监测物体发生故障的情况下采集得到；
基于多元回归模型，对全部所述历史第一变量值以及多个所述历史工况数据进行线性拟合，得到动态阈值模型；
其中，所述多元回归模型包括：
其中，
均为待求解参数，
为待求解误差值，
为第i个第一种类的历史第一变量值，
为第i个第二种类的历史第一变量值，
为第i个第n种类的历史第一变量值，
为第i个历史工况数据。
第三方面，本申请提供一种电子设备，所述电子设备包括处理器、存储器及总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器及所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行前述实施方式任意一项所述的动态告警方法的步骤。
第四方面，本申请提供一种可读存储介质，所述可读存储介质存储有计算机程序，计算机程序被执行时实现前述实施方式任意一项所述的动态告警方法的步骤。
本申请实施例提供了一种动态告警方法、装置、电子设备和可读存储介质，通过获取待监测物体的工况数据，以及至少一种第一变量值。将至少一种第一变量值输入预先训练得到的动态阈值模型，得到动态阈值模型输出的动态阈值结果。判断工况数据是否大于动态阈值结果，若工况数据大于动态阈值结果，则确定待监测物体发生故障，并发出告警信息。如此，可动态地调节动态阈值结果，改善了不同环境下，因告警阈值固定而造成的误报和漏报的情况，从而提高了在不同环境下判断待监测物体出现故障的准确性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举一些举例，并配合所附附图，作详细说明。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的结构框图。
图2为本申请实施例提供的动态告警方法的流程示意图之一。
图3为本申请实施例提供的动态告警方法的流程示意图之二。
图4为本申请实施例提供的动态告警装置的功能模块框图。
图标：100-电子设备；110-存储器；120-处理器；130-动态告警装置；131-获取模块；132-输入模块；133-判断模块；140-通信单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
如背景技术所介绍，工业互联网其本质和核心是通过工业互联网平台把设备、生产线、工厂、供应商、产品和客户紧密地连接融合起来。可以帮助制造业拉长产业链，形成跨设备、跨系统、跨厂区、跨地区的互联互通，从而提高效率，推动整个制造服务体系智能化。还有利于推动制造业融通发展，实现制造业和服务业之间的跨越发展，使工业经济各种要素资源能够高效共享。
对于工业互联网系统而言，为了更好地服务工业生产，需要功能完善的告警系统来精准地监控设备的意外情况，通过设备上的传感器实时判断工况数值情况，实现自动化告警。
传统的物联网系统都会通过预先设定阈值来作为设备数据的告警阈值。例如，油温超过80℃则触发告警。但是经研究发现，这种方法阈值告警比较僵化，没有考虑环境因素和设备相关部件的磨损情况。例如，在环境温度较低，或者部件磨损严重的情况下，油温超过70℃就容易引发设备故障。另一方面，如果阈值设置较低容易产生误报，阈值设置较高容易漏报。
因此，传统的方法往往存在告警不够准确的问题。
有鉴于此，本申请实施例提供了一种动态告警方法、装置、电子设备和可读存储介质，该方法先利用历史相关数据训练出模型，实际使用中，使用多个相关数据和模型获得阈值结果，并将待监测物体的工况数据与阈值结果进行对比，确定待监测物体是否发生故障。下面对上述方案进行详细阐述。
请参阅图1，图1为本申请实施例提供的一种电子设备100的结构框图。设备可以包括处理器120、存储器110、动态告警装置130及通信单元140，存储器110存储有处理器120可执行的机器可读指令，当电子设备100运行时，处理器120及存储器110之间通过总线通信，处理器120执行机器可读指令，并执行动态告警方法的步骤。
存储器110、处理器120以及通信单元140各元件相互之间直接或间接地电性连接，以实现信号的传输或交互。
例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。动态告警装置130包括至少一个可以软件或固件（firmware）的形式存储于存储器110中的软件功能模块。处理器120用于执行存储器110中存储的可执行模块，例如动态告警装置130所包括的软件功能模块或计算机程序。
其中，存储器110可以是，但不限于，随机读取存储器（Random ACCess memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。
处理器120可以是一种集成电路芯片，具有信号处理能力。上述处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等。
还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。
本申请实施例中，存储器110用于存储程序，处理器120用于在接收到执行指令后，执行程序。本申请实施例任一实施方式所揭示的流程定义的方法可以应用于处理器120中，或者由处理器120实现。
通信单元140用于通过网络建立电子设备100与其他电子设备之间的通信连接，并用于通过网络收发数据。
在一些实施例中，网络可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网（Local Area Network，LAN）、广域网（Wide Area Network，WAN）、无线局域网（Wireless Local Area Networks，WLAN）、城域网（Metropolitan Area Network，MAN）、广域网（Wide Area Network，WAN）、公共电话交换网（Public Switched Telephone Network，PSTN）、蓝牙网络、ZigBee网络、或近场通信（Near Field Communication，NFC）网络等，或其任意组合。
在本申请实施例中，电子设备100的具体类型不受限制，例如，可以是，但不限于，智能手机、个人电脑（personal computer，PC）、平板电脑、个人数字助理（personaldigital assistant，PDA）、移动上网设备（mobile Internet device，MID）、web（网站）服务器、数据服务器、网关设备等具有处理功能的设备。
可以理解，图1所示的结构仅为示意。电子设备100还可以具有比图1所示更多或者更少的组件，或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。
作为一种可选的实施方式，本申请实施例提供的动态告警方法可通过对多个历史数据进行机器学习，得到动态阈值模型。
请结合参阅图2，图2为本申请实施例提供的动态告警方法的流程示意图之一。下面结合对图2中示出的步骤进行详细阐述：
步骤S100，获取多个不同种类的历史第一变量值以及待监测物体的多个历史工况数据。
其中，历史工况数据在待监测物体发生故障的情况下采集得到。
待监测物体可以是油箱、发动机或者发电机等等。历史第一变量值可以是会引起待监测物体的工况数据对应的告警阈值发生变化的相关信息。
步骤S200，基于多元回归模型，对全部历史第一变量值以及多个历史工况数据进行线性拟合，得到动态阈值模型。
其中，多元回归模型包括：
其中，
均为待求解参数，
为待求解误差值，
为第i个第一种类的历史第一变量值，
为第i个第二种类的历史第一变量值，
为第i个第n种类的历史第一变量值，
为第i个历史工况数据。
以待监测物体为油箱为例，其历史工况数据可以是油箱发生故障时的油温，该历史第一变量值可以是待监测物体相关的器械的寿命周期、待监测物体的机理模型的设计值、待监测物体的发生故障时的历史相关值、待监测物体所处的环境数据中的一种或多种。
可以理解的是，利用全部历史第一变量值以及多个历史工况数据进行线性拟合的过程，即为求解多元回归模型中的待求解参数以及待求解误差值的过程，当求得待求解参数以及待求解误差值后，将求得的待求解参数以及待求解误差值带入多元回归模型，即可得到动态阈值模型。
例如，同样以待监测物体为油箱为例，与油箱相关的器械的寿命周期，可以是发动机的寿命周期，发动机的寿命周期会对油温的高低产生影响。又例如，机理模型的设计值可以是泵车散热器上风扇的风力值，该风力值同样会对油温产生影响。再例如，发生故障时的历史相关值可以是发生故障时油箱内的油面位置或者冷却安全阀的压力值等。
在获得了多个历史工况数据以及历史第一变量值后，利用多元回归模型对其进行线性拟合，即可得到动态阈值模型。
通过该动态阈值模型即可利用实际生产工作中与待检测物体相关的第一变量值进行预测，得到动态阈值结果，便于后续使用待检测物体的工况数据与动态阈值结果进行比对，提高了告警的准确性。
进一步地，在对全部历史第一变量值以及多个历史工况数据进行线性拟合，得到动态阈值模型后，还可以再次将历史第一变量值与历史工况数据带入动态阈值模型进行验证，比较预测值与真实的历史工况数据之间的差距，比较差距是否小于预设阈值，若小于则再次对动态阈值模型进行训练，直至差距小于阈值。从而提高动态阈值模型的准确性。
作为一种可选的实施方式，可基于下列公式，比较预测值与真实的历史工况数据之间的差距：
其中，
为差距，
为历史工况数据，
为预测值。
进一步地，作为一种可选的实施方式，步骤S200，基于多元回归模型，对多个历史第一变量值以及多个历史工况数据进行线性拟合，得到动态阈值模型可通过以下方式实现：
对多个历史第一变量值以及多个历史工况数据进行数据清理。
将数据清理后的多个历史第一变量值以及多个历史工况数据分别带入多元回归模型。
对该多元回归模型进行求解，得到该多元回归模型中每个常数的数值，以完成线性拟合。
将每个常数的数值带入多元回归模型，得到动态阈值模型。
其中，数据清理的方式可以是对明显异常的历史第一变量值或者历史工况数据进行筛除，并对筛除后的数据进行数值归一化或数据标准化处理。使得数据清理后的历史第一变量值以及历史工况数据有效且处于同样的标准范围内，有利于提高训练的到的动态阈值模型的准确性。
进一步地，对该多元回归模型进行求解，得到该多元回归模型中每个常数的数值，以完成线性拟合的过程可参阅现有技术中对多元回归模型进行估值的过程，在此不做赘述。
示例性地，若对多元回归模型进行求解，得到多元回归模型中的每个常数的数值分别为：
则将每个常数带入多元回归模型，得到的动态阈值模型可以为：
可以理解的是，上述动态阈值模型可以是预先在其他电子设备中训练得到后迁移至当前电子设备，也可以是在当前电子设备中预先训练得到的。
基于上述电子设备100的实现架构，以及基于图2示出的方法步骤训练获得的动态阈值模型，本申请实施例提供了一种动态告警方法，请结合参阅3，图3为本申请实施例提供的动态告警方法的流程图之二。下面对图3示出的方法步骤进行详细阐述：
步骤S1，获取待监测物体的工况数据，以及至少一种第一变量值。
其中，待监测物体可以是油箱、发动机或者发电机等等。第一变量值可以是会引起待监测物体的工况数据对应的告警阈值发生变化的相关信息，工况数据则是待监测物体在工作时产生的相关数据。
步骤S2，将至少一种第一变量值输入预先训练得到的动态阈值模型，得到动态阈值模型输出的动态阈值结果。
步骤S3，判断工况数据是否大于动态阈值结果，若工况数据大于动态阈值结果，则执行步骤S4，否则再次执行步骤S1。
步骤S4，确定待监测物体发生故障，并发出告警信息。
示例性地，以待监测物体为油箱为例，假设测得油箱的实际油温为76℃，将至少一种第一变量值输入预先训练得到的动态阈值模型，得到输出的动态阈值结果为69℃，判断可知实际油温大于动态阈值结果，则可以确定油箱发生了故障，发出告警信息，以使得维护人员及时对发生故障的油箱进行修理维护。
以待监测物体为油箱为例，其工况数据可以是油温，同时环境因素和设备相关部件的磨损情况均会对待监测物体的工况数据对应的告警阈值产生影响，例如，在环境温度较低，或者部件磨损严重的情况下，油温超过70℃就容易引发设备故障，而不是平时的80℃。
也就是说，该第一变量值可以是待监测物体相关的器械的寿命周期、待监测物体的机理模型的设计值、待监测物体的发生故障时的历史相关值、待监测物体所处的环境数据中的一种或多种。
例如，同样以待监测物体为油箱为例，与油箱相关的器械的寿命周期，可以是发动机的寿命周期，发动机的寿命周期会对油温的高低产生影响。例如，机理模型的设计值可以是泵车散热器上风扇的风力值，该风力值同样会对油温产生影响。再例如，发生故障时的历史相关值可以是发生故障时油箱内的油面位置或者冷却安全阀的压力值等。
本申请实施例提供的动态告警方法，通过预先训练出的动态阈值模型对至少一种第一变量进行预测，得到动态阈值结果，将待监测物体的工况数据与动态阈值结果进行比较，从而确定待监测物体是否发生故障，如此动态地调节动态阈值结果，使得告警更加准确。
作为一种可选的实施方式，在判断工况数据是否大于动态阈值结果后，若工况数据小于或等于动态阈值结果，则确定待监测物体未发生故障。
再次执行获取待监测物体的工况数据至判断工况数据是否大于动态阈值结果的步骤，直至确定待监测物体发生故障，发出告警信息。
例如，假设测得油箱的实际油温为50℃，将至少一种第一变量值输入预先训练得到的动态阈值模型，得到输出的动态阈值结果为80℃，判断可知实际油温小于动态阈值结果，则可以确定油箱未发生故障，此时则再次执行图2中步骤S1-步骤S3中判断工况数据是否大于动态阈值结果的步骤，直至确定待监测物体发生故障，发出告警信息。
如此，一直在线监测待监测物体是否发生故障，当发生故障时及时发出告警信息，便于维修人员及时维修，同时利用会影响待监测物体的发生故障的临界值的第一变量值动态调整告警阈值，改善了不同环境下，因告警阈值固定而造成的误报和漏报，从而提高了在不同环境下判断设备出现故障的准确性。
进一步地，步骤S2，将至少一个第一变量值输入预先训练的动态阈值模型，得到动态阈值模型输出的动态阈值结果可通过以下方式实现：
将至少一个第一变量值输入预先训练的动态阈值模型。
对输入至少一个第一变量值的动态阈值模型进行求解，得到求解值。
将求解值作为动态阈值模型输出的动态阈值结果。
以预先训练的动态阈值模型为
为例，若获取得到的第一变量值
，第一变量值
，则将其输入动态阈值模型进行求解，得到求解值为82。该求解值82即为动态阈值模型输出的动态阈值结果。
基于同一发明构思，请结合参阅图4，图4为本申请实施例提供的动态告警装置130的功能模块框图。本申请实施例中还提供了与上述动态告警方法对应的动态告警装置，装置包括：
获取模块131，用于获取待监测物体的工况数据，以及至少一种第一变量值。
输入模块132，用于将至少一种第一变量值输入预先训练得到的动态阈值模型，得到动态阈值模型输出的动态阈值结果。
判断模块133，用于判断工况数据是否大于动态阈值结果，若工况数据大于动态阈值结果，则确定待监测物体发生故障，并发出告警信息。
进一步地，获取模块131还用于获得动态阈值模型，获取模块131具体用于：
获取多个不同种类的历史第一变量值以及待监测物体的多个历史工况数据，其中，历史工况数据在待监测物体发生故障的情况下采集得到。
基于多元回归模型，对全部历史第一变量值以及多个历史工况数据进行线性拟合，得到动态阈值模型。
其中，多元回归模型包括：
其中，
均为待求解参数，
为待求解误差值，
为第i个第一种类的历史第一变量值，
为第i个第二种类的历史第一变量值，
为第i个第n种类的历史第一变量值，
为第i个历史工况数据。
由于本申请实施例中的装置解决问题的原理与本申请实施例上述动态告警方法相似，因此装置的实施原理可以参见方法的实施原理，重复之处不再赘述。
本申请实施例也提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序被执行时实现上述的动态告警方法。
综上所述，本申请实施例提供了一种动态告警方法、装置、电子设备100和可读存储介质，通过获取待监测物体的工况数据，以及至少一种第一变量值。将至少一种第一变量值输入预先训练得到的动态阈值模型，得到动态阈值模型输出的动态阈值结果。判断工况数据是否大于动态阈值结果，若工况数据大于动态阈值结果，则确定待监测物体发生故障，并发出告警信息，如此，可动态地调节动态阈值结果，改善了不同环境下，因告警阈值固定而造成的误报和漏报，从而提高了在不同环境下判断设备出现故障的准确性。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种动态告警方法，其特征在于，所述方法包括：
获取待监测物体的工况数据，以及至少一种第一变量值；
将至少一种所述第一变量值输入预先训练得到的动态阈值模型，得到所述动态阈值模型输出的动态阈值结果；
判断所述工况数据是否大于所述动态阈值结果，若所述工况数据大于所述动态阈值结果，则确定所述待监测物体发生故障，并发出告警信息；
所述方法还包括获得动态阈值模型的步骤，该步骤包括：
获取多个不同种类的历史第一变量值以及所述待监测物体的多个历史工况数据，其中，所述历史工况数据在所述待监测物体发生故障的情况下采集得到；
基于多元回归模型，对全部所述历史第一变量值以及多个所述历史工况数据进行线性拟合，得到动态阈值模型；
其中，所述多元回归模型包括：
其中，
均为待求解参数，
为待求解误差值，
为第i个第一种类的历史第一变量值，
为第i个第二种类的历史第一变量值，
为第i个第n种类的历史第一变量值，
为第i个历史工况数据。
2.根据权利要求1所述的动态告警方法，其特征在于，所述基于多元回归模型，对多个所述历史第一变量值以及多个所述历史工况数据进行线性拟合，得到动态阈值模型的步骤包括：
对多个所述历史第一变量值以及多个所述历史工况数据进行数据清理；
将数据清理后的多个历史第一变量值以及多个历史工况数据分别带入所述多元回归模型；
对该多元回归模型进行求解，得到该多元回归模型中每个常数的数值，以完成线性拟合；
将每个所述常数的数值带入所述多元回归模型，得到动态阈值模型。
3.根据权利要求1所述的动态告警方法，其特征在于，所述第一变量值包括所述待监测物体的寿命周期、所述待监测物体的机理模型的设计值、所述待监测物体的发生故障时的历史相关值、所述待监测物体所处的环境数据中的一种或多种。
4.根据权利要求1所述的动态告警方法，其特征在于，所述将至少一种所述第一变量值输入预先训练得到的动态阈值模型，得到所述动态阈值模型输出的动态阈值结果的步骤包括：
将至少一个所述第一变量值输入预先训练的动态阈值模型；
对输入至少一个所述第一变量值的动态阈值模型进行求解，得到求解值；
将所述求解值作为动态阈值模型输出的动态阈值结果。
5.根据权利要求1所述的动态告警方法，其特征在于，所述方法还包括：
若所述工况数据小于或等于所述动态阈值结果，则确定所述待监测物体未发生故障；
再次执行获取所述待监测物体的工况数据至判断所述工况数据是否大于所述动态阈值结果的步骤，直至确定所述待监测物体发生故障，发出告警信息。
6.一种动态告警装置，其特征在于，所述装置包括：
获取模块，用于获取待监测物体的工况数据，以及至少一种第一变量值；
输入模块，用于将至少一种所述第一变量值输入预先训练得到的动态阈值模型，得到所述动态阈值模型输出的动态阈值结果；
判断模块，用于判断所述工况数据是否大于所述动态阈值结果，若所述工况数据大于所述动态阈值结果，则确定所述待监测物体发生故障，并发出告警信息；
所述装置还用于获得动态阈值模型；所述装置具体用于获取多个不同种类的历史第一变量值以及所述待监测物体的多个历史工况数据，其中，所述历史工况数据在所述待监测物体发生故障的情况下采集得到；
基于多元回归模型，对全部所述历史第一变量值以及多个所述历史工况数据进行线性拟合，得到动态阈值模型；
其中，所述多元回归模型包括：
其中，
均为待求解参数，
为待求解误差值，
为第i个第一种类的历史第一变量值，
为第i个第二种类的历史第一变量值，
为第i个第n种类的历史第一变量值，
为第i个历史工况数据。
7.一种电子设备，其特征在于，所述电子设备包括处理器、存储器及总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器及所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行权利要求1-5任意一项所述的动态告警方法的步骤。
8.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，计算机程序被执行时实现权利要求1-5任意一项所述的动态告警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011513445.1A CN112270814B (zh) | 2020-12-21 | 2020-12-21 | 动态告警方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011513445.1A CN112270814B (zh) | 2020-12-21 | 2020-12-21 | 动态告警方法、装置、电子设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112270814A true CN112270814A (zh) | 2021-01-26 |
| CN112270814B CN112270814B (zh) | 2021-05-07 |
Family
ID=74350092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011513445.1A Active CN112270814B (zh) | 2020-12-21 | 2020-12-21 | 动态告警方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112270814B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634593A (zh) * | 2021-03-09 | 2021-04-09 | 深圳佳兆业科技集团有限公司 | 设备预警方法、装置、计算机设备和存储介质 |
| CN112950908A (zh) * | 2021-02-03 | 2021-06-11 | 重庆川仪自动化股份有限公司 | 一种数据监测预警方法、系统、介质及电子终端 |
| CN113081229A (zh) * | 2021-04-06 | 2021-07-09 | 湖南菁益医疗科技有限公司 | 新型中性电极接触质量检测系统和方法 |
| CN113297291A (zh) * | 2021-05-08 | 2021-08-24 | 上海电气风电集团股份有限公司 | 监测方法、系统、可读存储介质和风力发电机 |
| CN113312244A (zh) * | 2021-07-28 | 2021-08-27 | 阿里云计算有限公司 | 一种故障监测方法、设备、程序产品及存储介质 |
| CN113552855A (zh) * | 2021-07-23 | 2021-10-26 | 重庆英科铸数网络科技有限公司 | 工业设备动态阈值设定方法、装置、电子设备及存储介质 |
| CN114915542A (zh) * | 2022-04-28 | 2022-08-16 | 远景智能国际私人投资有限公司 | 数据异常的告警方法、装置、设备及存储介质 |
| CN115059634A (zh) * | 2022-06-14 | 2022-09-16 | 重庆英科铸数网络科技有限公司 | 鼓风设备的故障诊断方法及装置、电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150042474A1 (en) * | 2013-03-14 | 2015-02-12 | International Business Machines Corporation | Automatic adjustment of metric alert trigger thresholds |
| CN104937802A (zh) * | 2012-11-28 | 2015-09-23 | Abb技术有限公司 | 监测电气部件的操作条件 |
| CN105976578A (zh) * | 2016-07-21 | 2016-09-28 | 西安理工大学 | 一种基于监测数据的高速列车轴温动态报警阈值设定方法 |
| CN106127359A (zh) * | 2016-08-30 | 2016-11-16 | 北京协同创新智能电网技术有限公司 | 一种基于局部加权线性回归模型的变频水泵出口流量预警方法 |
| CN205880599U (zh) * | 2016-05-05 | 2017-01-11 | 华电国际电力股份有限公司技术服务中心 | 一种设备异常监控系统 |
| CN108769253A (zh) * | 2018-06-25 | 2018-11-06 | 湖北工业大学 | 一种分布式系统访问性能优化的自适应预取控制方法 |
| CN108922129A (zh) * | 2018-06-25 | 2018-11-30 | 深圳市中电数通智慧安全科技股份有限公司 | 一种调整安防传感器报警阈值的方法、装置、云端及系统 |
| CN108922105A (zh) * | 2018-06-26 | 2018-11-30 | 深圳市中电数通智慧安全科技股份有限公司 | 一种烟雾传感器及其管理方法和装置 |
| CN109522627A (zh) * | 2018-11-01 | 2019-03-26 | 西安电子科技大学 | 基于scada数据的风机叶片结冰预测方法 |
| CN110606040A (zh) * | 2019-08-30 | 2019-12-24 | 江苏大学 | 一种适用于车辆事故自动呼救系统速度变化量的校正方法 |
| CN111310926A (zh) * | 2020-01-17 | 2020-06-19 | 中国人民解放军火箭军工程大学 | 一种融合多元信息的故障报警阈值确定方法 |
-
2020
- 2020-12-21 CN CN202011513445.1A patent/CN112270814B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104937802A (zh) * | 2012-11-28 | 2015-09-23 | Abb技术有限公司 | 监测电气部件的操作条件 |
| US20150042474A1 (en) * | 2013-03-14 | 2015-02-12 | International Business Machines Corporation | Automatic adjustment of metric alert trigger thresholds |
| CN205880599U (zh) * | 2016-05-05 | 2017-01-11 | 华电国际电力股份有限公司技术服务中心 | 一种设备异常监控系统 |
| CN105976578A (zh) * | 2016-07-21 | 2016-09-28 | 西安理工大学 | 一种基于监测数据的高速列车轴温动态报警阈值设定方法 |
| CN106127359A (zh) * | 2016-08-30 | 2016-11-16 | 北京协同创新智能电网技术有限公司 | 一种基于局部加权线性回归模型的变频水泵出口流量预警方法 |
| CN108769253A (zh) * | 2018-06-25 | 2018-11-06 | 湖北工业大学 | 一种分布式系统访问性能优化的自适应预取控制方法 |
| CN108922129A (zh) * | 2018-06-25 | 2018-11-30 | 深圳市中电数通智慧安全科技股份有限公司 | 一种调整安防传感器报警阈值的方法、装置、云端及系统 |
| CN108922105A (zh) * | 2018-06-26 | 2018-11-30 | 深圳市中电数通智慧安全科技股份有限公司 | 一种烟雾传感器及其管理方法和装置 |
| CN109522627A (zh) * | 2018-11-01 | 2019-03-26 | 西安电子科技大学 | 基于scada数据的风机叶片结冰预测方法 |
| CN110606040A (zh) * | 2019-08-30 | 2019-12-24 | 江苏大学 | 一种适用于车辆事故自动呼救系统速度变化量的校正方法 |
| CN111310926A (zh) * | 2020-01-17 | 2020-06-19 | 中国人民解放军火箭军工程大学 | 一种融合多元信息的故障报警阈值确定方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张唯: "基于多元回归的栅格水系阈值计算模型", 《农业机械学报》 * |
| 郭华，王建平: "基于BP神经网络和多元回归的边坡稳定性预测研究", 《低温建筑技术》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950908A (zh) * | 2021-02-03 | 2021-06-11 | 重庆川仪自动化股份有限公司 | 一种数据监测预警方法、系统、介质及电子终端 |
| CN112950908B (zh) * | 2021-02-03 | 2022-12-30 | 重庆川仪自动化股份有限公司 | 一种数据监测预警方法、系统、介质及电子终端 |
| CN112634593A (zh) * | 2021-03-09 | 2021-04-09 | 深圳佳兆业科技集团有限公司 | 设备预警方法、装置、计算机设备和存储介质 |
| CN113081229A (zh) * | 2021-04-06 | 2021-07-09 | 湖南菁益医疗科技有限公司 | 新型中性电极接触质量检测系统和方法 |
| CN113297291A (zh) * | 2021-05-08 | 2021-08-24 | 上海电气风电集团股份有限公司 | 监测方法、系统、可读存储介质和风力发电机 |
| CN113552855A (zh) * | 2021-07-23 | 2021-10-26 | 重庆英科铸数网络科技有限公司 | 工业设备动态阈值设定方法、装置、电子设备及存储介质 |
| CN113312244A (zh) * | 2021-07-28 | 2021-08-27 | 阿里云计算有限公司 | 一种故障监测方法、设备、程序产品及存储介质 |
| CN114915542A (zh) * | 2022-04-28 | 2022-08-16 | 远景智能国际私人投资有限公司 | 数据异常的告警方法、装置、设备及存储介质 |
| CN115059634A (zh) * | 2022-06-14 | 2022-09-16 | 重庆英科铸数网络科技有限公司 | 鼓风设备的故障诊断方法及装置、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112270814B (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112270814B (zh) | 动态告警方法、装置、电子设备和可读存储介质 | |
| EP3660507B1 (en) | Oil diagnosis system | |
| CN107369303A (zh) | 工厂智能诊断方法、装置及系统 | |
| KR102464762B1 (ko) | 경험적 공유 지식 기반의 인공지능을 활용한 설비고장 예지보전 방법 | |
| KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
| CN109977146B (zh) | 故障诊断方法、装置及电子设备 | |
| CN105209995A (zh) | 监视系统及其诊断装置和监视终端 | |
| CN109885951A (zh) | 设备故障诊断方法及装置 | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| CN110119333A (zh) | 一种异常检测边缘计算系统 | |
| CN116105802A (zh) | 一种基于物联网的地下设施安全监测预警方法 | |
| CN118468191B (zh) | 一种车间设备巡检方法及系统 | |
| da Silva Arantes et al. | A novel unsupervised method for anomaly detection in time series based on statistical features for industrial predictive maintenance | |
| CN111078503B (zh) | 一种异常监控方法及系统 | |
| RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
| KR102516227B1 (ko) | 선박용 고장 예측진단 시스템 및 그 예측진단 방법 | |
| CN105425739A (zh) | 使用plc日志数据来预测异常发生的系统 | |
| KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
| CN114353869A (zh) | 动设备在线监测方法、系统及可读存储介质 | |
| JP2006293444A (ja) | 異常診断処置システム、異常診断処置方法及び異常診断処置装置 | |
| US10955837B2 (en) | Method and system for error detection and monitoring for an electronically closed-loop or open-loop controlled machine part | |
| CN115380214A (zh) | 故障预兆系统 | |
| US11366460B2 (en) | System for monitoring electrical devices and a method thereof | |
| CN202433761U (zh) | 基于物联网的阳极保护设备远程监控预警及故障诊断系统 | |
| Palyukh et al. | Methods for forecasting critical states of the technological process in the evolutionary management of continuous multi-stage production |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210518 Address after: No.1, 3rd floor, R & D building, Sany industrial city, No.1, Sany Road, Changsha Economic and Technological Development Zone, Changsha, Hunan 410000 Patentee after: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. Patentee after: Shugen Internet Co.,Ltd. Address before: No.1, 3rd floor, R & D building, Sany industrial city, No.1, Sany Road, Changsha Economic and Technological Development Zone, Changsha, Hunan 410000 Patentee before: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd. |