CN112766396A - 一种设备异常的检测系统、方法、计算机设备和介质 - Google Patents
一种设备异常的检测系统、方法、计算机设备和介质 Download PDFInfo
- Publication number
- CN112766396A CN112766396A CN202110107865.8A CN202110107865A CN112766396A CN 112766396 A CN112766396 A CN 112766396A CN 202110107865 A CN202110107865 A CN 202110107865A CN 112766396 A CN112766396 A CN 112766396A
- Authority
- CN
- China
- Prior art keywords
- data
- detection
- anomaly
- historical
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005856 abnormality Effects 0.000 title claims description 27
- 238000001514 detection method Methods 0.000 claims abstract description 315
- 238000012549 training Methods 0.000 claims abstract description 113
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims 2
- 239000003921 oil Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000010724 circulating oil Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种设备异常的检测系统、方法、计算机设备和介质，该系统包括：数据处理模块，用于获取目标设备在当前检测周期之前的历史检测数据；对所述历史检测数据进行筛选，确定出训练样本集合；算法训练模块，用于通过训练样本集合中的训练数据对待训练的异常检测算法进行训练；异常检测模块，用于获取所述目标设备在当前检测周期中的目标采集数据；将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果；异常分析模块，用于根据所述检测结果确定目标检测设备的异常解决措施；将所述异常解决措施进行展示。
Description
技术领域
本申请涉及电器设备领域，具体而言，涉及一种设备异常的检测系统、方法、计算机设备和介质。
背景技术
在石油开采和加工过程中，油田设备的性能对于石油产量和品质有着非常重要的影响，一旦设备出现故障，轻则造成设备损坏、停工停产，重则会造成人员伤亡。因此，对设备进行异常检测以保护设备性能是十分必要的。
传统的异常检测系统所使用的训练数据比较少，且基本上是来源于实验室数据，与工业标准不符，进而导致设备的异常检测结果并不准确。
发明内容
有鉴于此，本申请的目的在于提供一种设备异常的检测系统、方法、计算机设备和介质，用于解决现有技术中传统的异常检测系统由于训练数据较少导致的设备异常检测结果不准确的问题。
第一方面，本申请实施例提供了一种设备异常的检测系统，该系统包括：
数据处理模块，用于获取目标设备在当前检测周期之前的历史检测数据；对所述历史检测数据进行筛选，确定出训练样本集合；
算法训练模块，用于通过训练样本集合中的训练数据对待训练的异常检测算法进行训练；
异常检测模块，用于获取所述目标设备在当前检测周期中的目标采集数据；将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果；
异常分析模块，用于根据所述检测结果确定目标检测设备的异常解决措施；将所述异常解决措施进行展示。
可选的，所述数据处理模块对所述历史检测数据进行筛选，确定出训练数据，包括：
对所述历史检测数据中的每一个数据进行判断，若所述历史检测数据中的每一个数据均为合理数据，则将所述历史检测数据确定为所述训练数据；
和/或，若所述历史检测数据中存在空数据，则利用与所述历史检测数据相邻的临近历史检测数据计算替代值，利用所述替代值修改所述空数据得到新的历史检测数据，将所述新的历史检测数据确定为所述训练数据；
和/或，若所述历史检测数据中存在格式不一样的数据，则将每一个数据整合成统一格式，将整合成统一格式的历史检测数据确定为所述训练数据。
可选的，所述历史检测数据包括历史采集数据和所述历史采集数据所对应的历史检测结果；算法训练模块通过训练样本集合中的训练数据对待训练的异常检测算法进行训练，包括：
针对所述训练样本集合中每一个训练数据，将所述训练数据中的历史采集数据作为正样本输入至待训练的异常检测算法，将所述训练数据中的历史检测结果作为负样本输入至待训练的异常检测算法，对待训练的异常检测算法进行训练。
可选的，所述异常检测模块还包括：
获取异常检测请求；所述异常检测请求中携带有所述目标设备在当前检测周期所对应的工况；
根据所述工况确定所述训练好的异常检测算法。
可选的，异常分析模块根据所述检测结果确定目标检测设备的异常解决措施，包括：
若所述检测结果为存在故障，则根据所述检测结果确定所述目标采集数据中的至少一个异常数据；
基于至少一个异常数据，确定所述目标设备所对应的故障类别；
根据所述故障类别确定所述针对所述目标设备的异常解决措施。
可选的，所述异常分析模块将所述异常解决措施进行展示，包括：
所述异常分析模块将所述异常解决措施以文字的形式展示在显示屏中；或，
所述异常分析模块将所述异常解决措施以语音的形式进行广播。
第二方面，本申请实施例提供了一种设备异常的检测方法，该方法包括：
获取目标设备在当前检测周期中的目标采集数据；
将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果；其中，训练好的所述异常检测算法是通过训练样本集合中的训练数据对待训练的异常检测算法进行训得到的，且所述训练样本集合是通过对当前检测周期之前的历史检测数据进行筛选得到的；
根据所述检测结果确定目标检测设备的异常解决措施；
将所述异常解决措施进行展示。
可选的，在将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果之前，还包括：
获取异常检测请求；所述异常检测请求中携带有所述目标设备在当前检测周期所对应的工况；
根据所述工况确定所述训练好的异常检测算法。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质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，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如所述方法的步骤。
本申请实施例提出的一种设备异常的检测系统，首先，通过数据处理模块获取目标设备在当前检测周期之前的历史检测数据，对历史检测数据进行筛选，确定出训练样本集合；然后，基于确定的训练样本集合通过算法训练模块对待训练的异常检测算法进行训练，根据训练好的异常检测算法通过异常检测模块，检测目标设备在当前检测周期的运行情况，最后，输出检测结果。
本申请利用目标设备当前检测周期之前的历史检测数据确定出训练样本集合，训练样本集合来源于目标设备实际作业时的运行数据，符合工业标准。而且训练样本集合随检测周期的时序变化而更新，有利于通过训练样本集合中的训练数据训练得到的异常检测方法更符合目标设备当前的作业状态，进而得到的目标设备的异常检测结果更加准确。并且本申请通过异常分析模块，根据目标设备的异常检测结果自动生成异常解决措施，可以快速的帮助现场人员进行故障定位和辅助决策，减轻了工作人员的工作强度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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一种设备异常的检测系统的示意图；
图2为本申请实施例提供的一种确定目标检测设备的异常解决措施的方法的流程示意图；
图3为本申请实施例提供的一种设备异常的检测方法的流程示意图；
图4为本申请实施例提供的一种计算机程序的结构示意图。
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，所描述的实施例仅仅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。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
传统的异常检测系统所使用的训练数据比较少，且基本上是来源于实验室数据，与工业标准不符，进而导致其在进行设备异常检测时并不能针对目标设备当前的作业状态进行有效地实施更新，导致生成的异常检测结果并不准确。
基于上述缺陷，本申请实施例提供了一种设备异常的检测系统，如图1所示，包括以下模块：
数据处理模块101，用于获取目标设备在当前检测周期之前的历史检测数据；对所述历史检测数据进行筛选，确定出训练样本集合；
算法训练模块102，用于通过训练样本集合中的训练数据对待训练的异常检测算法进行训练；
异常检测模块103，用于获取所述目标设备在当前检测周期中的目标采集数据；将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果；
异常分析模块104，用于根据所述检测结果确定目标检测设备的异常解决措施；将所述异常解决措施进行展示。
在数据处理模块101中，首先需要获取目标设备在当前检测周期之前的历史检测数据；其中，目标设备是与DCS系统相连接的控制设备；DCS(Distributed Contorl System)是一种集散控制系统，通过DCS系统可以实时采集控制设备作业运行时的数据参数。检测周期是通过人为预先设定的，例如可以预先设定检测周期为1天。历史检测数据是目标设备在当前检测周期之前的通过DCS系统采集并存储的各种数据参数。例如，当目标设备为往复式压缩机时，通过DCS系统采集并存储的历史检测数据可以为：轴瓦缸温度、进气温度、高位油箱油温、外循环油温度、排气压力、进气压力、发动机转速、高位水箱液位报警、曲轴箱液位低报警、进气液位报警、曲轴箱振动报警、空冷器震动报警、动力缸无油报警、压缩缸无油报警等一系列物理量和报警信号。
然后基于获取到的目标设备的历史检测数据，对其进行筛选，将筛选后的数据确定为训练样本集合，将训练样本集合中的每一个数据作为一个训练数据开始训练待训练的异常检测算法。其中，通过对目标设备的历史检测数据进行筛选，提高了训练样本集合中训练数据的精准度，进而有效提高了待训练异常检测算法的训练效果。然而，最开始的历史检测数据并不是标准数据，很可能会存在异常数据，如果利用异常数据对异常检测算法进行训练，很容易导致异常检测算法精度降低，因此，需要对历史检测数据中的异常数据进行处理。具体地，在数据处理模块101中，所述数据处理模块对所述历史检测数据进行筛选，确定出训练数据，包括以下步骤：
步骤1011，对所述历史检测数据中的每一个数据进行判断，若所述历史检测数据中的每一个数据均为合理数据，则将所述历史检测数据确定为所述训练数据；
步骤1012，和/或，若所述历史检测数据中存在空数据，则利用与所述历史检测数据相邻的临近历史检测数据计算替代值，利用所述替代值修改所述空数据得到新的历史检测数据，将所述新的历史检测数据确定为所述训练数据；
步骤1013，和/或，若所述历史检测数据中存在格式不一样的数据，则将每一个数据整合成统一格式，将整合成统一格式的历史检测数据确定为所述训练数据。
在上述步骤1011中，合理数据是指目标设备的历史检测数据中设备正常作业时的数据参数。例如，当获取到的目标设备的历史检测数据为：轴瓦缸温度为45度，此时的温度处于轴瓦缸正常作业的温度指标范围区间，此时判断出目标设备当前的历史检测数据为合理数据，然后将该合理数据确定为一个训练数据；当获取到目标设备的历史检测数据为：轴瓦缸温度为95度，此时的温度高于轴瓦缸正常作业的温度指标范围区间，此时判断出目标设备当前的历史检测数据为非合理数据。
在上述步骤1012中，空数据是指目标设备的历史检测数据中设备正常作业时DCS系统采集缺失的数据参数。若目标设备的历史检测数据中存在空数据，则通过历史检测数据中与空数据相邻的临近检测数据求和计算平均值，将计算得到的平均值作为一个替代值替代所述空数据。例如：获取到目标设备的一组历史检测数据为：轴瓦缸温度T1为：45度、轴瓦缸温度T2为：null、轴瓦缸温度T3为55度；此时，检测出目标设备的历史检测数据中存在空数据T2，则根据空数据相邻的临近数据T1和T2求和计算平均值得到一个替代值T4为：50度，然后将计算得到的替代值T4作为新的检测数据替代空数据。其中，T1、T2、T3为目标设备在不同时刻采集到的数据参数；T4为计算得到的替代空数据的数据参数。
在上述步骤1013中，若目标设备的历史检测数据存在格式不一样的数据，则将每一个格式不一样的数据整合成统一格式。例如，若检测到采集到目标设备的历史检测数据有的存储格为：CSV(Comma-Separated Values)逗号分隔值文件格式或有的存储格式为：XML(eXtensible Markup Language)可扩展标记语言格式，此时出现了格式不统一的问题，则通过格式转换操作将其转换成统一格式，将格式统一的历史检测数据确定为所述训练数据。
上文中所描述的三种异常数据可以分别在历史检测数据中出现，也可能是每两种异常检测数据均在历史检测数据中出现，又或者是三种异常数据均在历史检测数据中出现。
通过上述三个步骤，针对目标设备的历史检测数据中存在的不合理数据、空数据进行了筛选和替换；将目标设备的历史检测数据中存在的格式不一样的数据整合成统一格式；然后再将其确定为待训练检测算法的训练数据，通过对训练数据的筛选操作、替换操作、统一格式操作，有效提高了训练数据的质量。基于高质量的训练数据开始训练待训练的异常检测算法有效提高了其训练效果。具体地，本申请实施例通过算法训练模块102对待训练的异常检测算法的进行训练。
在算法训练模块102中，训练数据是基于目标设备的历史检测数据而确定的；其中，所述历史检测数据包括历史采集数据和所述历史采集数据所对应的历史检测结果。
具体地，通过训练样本集合中的训练数据对待训练的异常检测算法进行训练，包括以下步骤：
步骤1021，针对所述训练样本集合中每一个训练数据，将所述训练数据中的历史采集数据作为正样本输入至待训练的异常检测算法，将所述训练数据中的历史检测结果作为负样本输入至待训练的异常检测算法，对待训练的异常检测算法进行训练。
在上述步骤1021中，若训练数据中目标设备的历史采集数据处于设备正常作业时的指标范围区间，则该历史采集数据对应的历史检测结果为正常；若目标设备的历史采集数据符合高于或低于正常作业时的指标范围区间，则该历史采集数据对应的历史检测结果为异常。此时，将目标设备的历史采集数据作为正样本，该历史采集数据对应的历史检测结果作为负样本输入至待训练的异常检测算法进行训练，有利于待训练的异常检测算法实时根据目标设备的运行数据和检测结果进行更新，更好地适应目标设备当前的状态，进而通过训练好的异常检测算法对目标设备进行异常检测，提高了异常检测结果的准确性。具体地，本申请实施例通过异常检测模块103对目标设备进行异常检测。
在异常检测模块103中，首先获取目标设备在当前检测周期中的目标采集数据；然后将目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果。例如，若当前目标设备为往复式压缩机，然后可以设定异常检测周期为1天，采集目标设备在1天内的一组运行参数可以为：轴瓦缸温度200度、进气温度50度、高位油箱油温60度。将采集到的一组运行参数输入至训练好的异常检测算法中，会得到运行参数所对应的检测结果，如：压缩机出现异常，进而再继续检测目标设备中的哪一个运行参数出现异常。本申请实施例通过异常检测模块103可以高效对目标设备进行异常检测，并且通过异常检测算法根据目标采集数据输出检测结果，基于检测结果可以判断出目标设备存在的故障数据，基于故障数据找到目标设备出现的故障部件，有效降低了工作人员的工作强度。具体地，在通过异常检测模块103对目标设备进行异常检测的过程中，还包括以下步骤：
步骤1031，获取异常检测请求；所述异常检测请求中携带有所述目标设备在当前检测周期所对应的工况；
步骤1032，根据所述工况确定所述训练好的异常检测算法。
在上述步骤1031中，异常检测请求可以通过人为进行发起。其中，异常检测请求携带有目标设备在当前检测周期所对应的工况，根据目标设备处于的工况不同可以训练对应的异常检测算法。例如，若目标设备为往复式压缩机，检测到目标设备在当前检测周期内正在进行气体钻井的作业状态，则确定在当前检测周期内目标设备对应的工况为：气体钻井。此时，通过步骤1032采集气体钻井工况下目标设备检测周期内的运行数据训练异常检测算法。若检测到目标设备在当前检测周期内正在进行气举采油的作业状态，则确定在当前检测周期内目标设备对应的工况为：气举采油。此时，通过步骤1032采集气举采油工况下目标设备在当前检测周期内的运行数据训练异常检测算法。
通过上述两个步骤，针对目标设备处于不同工况的运行数据确定对应的异常检测算法，异常检测算法可以根据工况的不同，适应不同工业场景的异常检测，进而可以更准确地检测出目标设备出现异常的情况，以维持目标设备始终保持在最优性能状态。
当通过异常检测算法对目标设备进行异常检测时输出的检测结果为异常时，则通过异常分析模块104根据检测结果确定目标检测设备的异常解决措施，帮助工作人员进行故障地位，针对性的分析解决目标设备出现的故障问题。具体地，如图2所示，异常分析模块104根据所述检测结果确定目标检测设备的异常解决措施，包括以下步骤：
步骤201，若所述检测结果为存在故障，则根据所述检测结果确定所述目标采集数据中的至少一个异常数据；
步骤202，基于至少一个异常数据，确定所述目标设备所对应的故障类别；
步骤203，根据所述故障类别确定所述针对所述目标设备的异常解决措施。
在上述步骤201中，将当前检测周期内的目标采集数据输入至训练好的异常检测算法中会得到所述目标采集数据所对应的检测结果，当目标采集数据对应的检测结果为存在故障是，则进一步地分析目标采集数据中存在的异常数据。例如，目标设备为往复式压缩机时，在当前检测周期内采集到的一组数据为：轴瓦缸温度200度、进气温度50度、高位油箱油温60度，将其输入至异常检测算法得到检测结果为：压缩机异常。此时，判断出检测结果存在故障，则进一步地检测目标采集数据内每一个运行数据参数是否在目标设备正常作业时的阈值区间内，如果在阈值范围内，则检测结果为正常；如果超出阈值范围，则检测为异常，从而确定出目标采集数据内存在的异常数据。
在上述步骤202中，故障类别是基于至少一个目标设备当前检测周期内的异常数据而确定的。例如，若确定当前设备在当前检测周期内存在的一条异常数据为：轴瓦缸温度200度，则确定当前目标设备的故障类别为轴瓦缸温度异常。
在上述步骤203中，异常解决措施是通过预先存储的故障处理知识库而生成的。故障处理知识库是通过工艺专家的经验和现场工作人员的操作实践获得的。
通过上述三个步骤，基于至少一个异常数据确定目标设备对应的故障类别，并根据故障类别确定异常解决措施。当目标设备发生异常时，工作人员可以根据异常解决措施快速解决故障问题，维持目标设备的性能处在最优状态。而且当确定了目标设备的异常解决措施时，会对异常解决措施进行展示，具体地，所述异常分析模块104将所述异常解决措施进行展示，包括以下步骤：
步骤1041，所述异常分析模块将所述异常解决措施以文字的形式展示在显示屏中；或，
所述异常分析模块将所述异常解决措施以语音的形式进行广播。
在上述步骤1041中，可以通过文字的形式将异常解决措施输出在显示屏中，也可以通过语音的形式广播提醒工作人员。当工作人员通过观察显示屏或听到语音提醒发现目标设备出现异常情况，可以根据输出的异常解决措施快速进行故障分析，进行故障解决，维护设备性能。
本申请实施例提出的一种设备异常的检测系统，首先通过数据处理模块101获取目标设备在当前检测周期之前的历史检测数据，对历史检测数据进行筛选，确定出训练样本集合；然后基于确定的训练样本集合通过算法训练模块102对待训练的异常检测算法进行训练。根据训练好的异常检测算法通过异常检测模块103对目标设备进行检测，最后输出检测结果。
本申请利用目标设备当前检测周期之前的历史检测数据确定出训练样本集合，训练样本集合中的训练数据更符合工业标准，而且训练数据随检测周期的时序变化而变化，通过不断变化的训练样本集合训练异常检测算法，可以实现异常检测算法在线更新，更适应目标设备当前的运行情况，进而在异常检测过程可以更准确地检测出目标设备存在的异常情况。并且本申请通过异常分析模块104，根据目标设备的异常检测结果自动生成异常解决措施，可以快速的帮助现场人员进行故障定位和辅助决策，减轻了工作人员的工作强度。
第二方面，本申请实施例提供了一种设备异常的检测方法，如图3所示，该方法包括：
S301，获取目标设备在当前检测周期中的目标采集数据；
S302，将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果；其中，训练好的所述异常检测算法是通过训练样本集合中的训练数据对待训练的异常检测算法进行训得到的，且所述训练样本集合是通过对当前检测周期之前的历史检测数据进行筛选得到的；
S303，根据所述检测结果确定目标检测设备的异常解决措施；
S304，将所述异常解决措施进行展示。
通过上述四个步骤，本申请首先获取目标设备在当前检测周期内作业数据参数，然后通过训练好的异常检测算法对目标设备进行异常检测。其中，所述异常检测算法通过训练数据不断实时更新更符合工业设备当前的状态，得到的检测结果也更准确。而且，根据检测结果确定目标检测设备的异常解决措施，将所述异常解决措施以文字或语音的方式进行展示，可以快速的帮助现场人员进行故障定位和辅助决策，减轻工作人员的工作强度。
具体地，在上述步骤S302中，将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果之前，还包括：
步骤3021，获取异常检测请求；所述异常检测请求中携带有所述目标设备在当前检测周期所对应的工况；
步骤3022，根据所述工况确定所述训练好的异常检测算法。
通过上述步骤3021和步骤3022，针对目标设备处于不同工况的运行数据确定对应的异常检测算法，异常检测算法可以根据工况的不同，适应不同工业场景的异常检测，进而可以更准确地检测出目标设备出现异常的情况，有利于提高异常检测结果的准确度。
对应于图3中的方法，本申请实施例还提供了一种计算机设备400，如图4所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402用于执行上述计算机程序时实现上述一种设备异常的检测方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述一种设备异常的检测方法，解决了现有技术中传统的异常检测系统由于训练数据较少且与工业标准不符导致的异常检测结果不准确的问题。
对应于图3中的一种设备异常的检测方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述一种设备异常的检测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述一种设备异常的检测方法，解决了现有技术中传统的异常检测系统由于训练数据与工业标准不符导致的异常检测结果不准确的问题，本申请直接使用目标设备的历史检测数据进行训练，且用的是当前检测周期之前的所有历史检测数据，训练得到的异常检测算法更符合工业设备当前的状态，得到的检测结果也更准确。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。
Claims (10)
1.一种设备异常的检测系统，其特征在于，包括：
数据处理模块，用于获取目标设备在当前检测周期之前的历史检测数据；对所述历史检测数据进行筛选，确定出训练样本集合；
算法训练模块，用于通过训练样本集合中的训练数据对待训练的异常检测算法进行训练；
异常检测模块，用于获取所述目标设备在当前检测周期中的目标采集数据；将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果；
异常分析模块，用于根据所述检测结果确定目标检测设备的异常解决措施；将所述异常解决措施进行展示。
2.根据权利要求1所述的检测系统，其特征在于，所述数据处理模块对所述历史检测数据进行筛选，确定出训练数据，包括：
对所述历史检测数据中的每一个数据进行判断，若所述历史检测数据中的每一个数据均为合理数据，则将所述历史检测数据确定为所述训练数据；
和/或，若所述历史检测数据中存在空数据，则利用与所述历史检测数据相邻的临近历史检测数据计算替代值，利用所述替代值修改所述空数据得到新的历史检测数据，将所述新的历史检测数据确定为所述训练数据；
和/或，若所述历史检测数据中存在格式不一样的数据，则将每一个数据整合成统一格式，将整合成统一格式的历史检测数据确定为所述训练数据。
3.根据权利要求1所述的检测系统，其特征在于，所述历史检测数据包括历史采集数据和所述历史采集数据所对应的历史检测结果；算法训练模块通过训练样本集合中的训练数据对待训练的异常检测算法进行训练，包括：
针对所述训练样本集合中每一个训练数据，将所述训练数据中的历史采集数据作为正样本输入至待训练的异常检测算法，将所述训练数据中的历史检测结果作为负样本输入至待训练的异常检测算法，对待训练的异常检测算法进行训练。
4.根据权利要求1所述的检测系统，其特征在于，所述异常检测模块还包括：
获取异常检测请求；所述异常检测请求中携带有所述目标设备在当前检测周期所对应的工况；
根据所述工况确定所述训练好的异常检测算法。
5.根据权利要求1所述的检测系统，其特征在于，异常分析模块根据所述检测结果确定目标检测设备的异常解决措施，包括：
若所述检测结果为存在故障，则根据所述检测结果确定所述目标采集数据中的至少一个异常数据；
基于至少一个异常数据，确定所述目标设备所对应的故障类别；
根据所述故障类别确定所述针对所述目标设备的异常解决措施。
6.根据权利要求1所述的检测系统，其特征在于，所述异常分析模块将所述异常解决措施进行展示，包括：
所述异常分析模块将所述异常解决措施以文字的形式展示在显示屏中；或，
所述异常分析模块将所述异常解决措施以语音的形式进行广播。
7.一种设备异常的检测方法，其特征在于，包括：
获取目标设备在当前检测周期中的目标采集数据；
将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果；其中，训练好的所述异常检测算法是通过训练样本集合中的训练数据对待训练的异常检测算法进行训得到的，且所述训练样本集合是通过对当前检测周期之前的历史检测数据进行筛选得到的；
根据所述检测结果确定目标检测设备的异常解决措施；
将所述异常解决措施进行展示。
8.根据权利要求7所述的检测方法，其特征在于，在将所述目标采集数据输入至训练好的所述异常检测算法，得到所述目标采集数据所对应的检测结果之前，还包括：
获取异常检测请求；所述异常检测请求中携带有所述目标设备在当前检测周期所对应的工况；
根据所述工况确定所述训练好的异常检测算法。
9.一种计算机设备，包括存储器、处理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，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求7-8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求7-8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110107865.8A CN112766396A (zh) | 2021-01-27 | 2021-01-27 | 一种设备异常的检测系统、方法、计算机设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110107865.8A CN112766396A (zh) | 2021-01-27 | 2021-01-27 | 一种设备异常的检测系统、方法、计算机设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112766396A true CN112766396A (zh) | 2021-05-07 |
Family
ID=75705977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110107865.8A Pending CN112766396A (zh) | 2021-01-27 | 2021-01-27 | 一种设备异常的检测系统、方法、计算机设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766396A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298806A (zh) * | 2021-06-18 | 2021-08-24 | 上海市机械施工集团有限公司 | 焊接缺陷智能检测方法、装置、焊接设备和存储介质 |
| CN114973741A (zh) * | 2022-06-17 | 2022-08-30 | 浙江大华技术股份有限公司 | 异常数据的处理方法、装置、存储介质及电子装置 |
| CN115030885A (zh) * | 2022-06-06 | 2022-09-09 | 浙江新富凌电气股份有限公司 | 一种空压机一体机 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9706521D0 (en) * | 1997-04-01 | 1997-05-21 | Porta Systems Corp | System and method for telecommunications system fault diagnostics |
| US10045218B1 (en) * | 2016-07-27 | 2018-08-07 | Argyle Data, Inc. | Anomaly detection in streaming telephone network data |
| CN108491580A (zh) * | 2018-02-26 | 2018-09-04 | 上海理工大学 | 一种设备故障诊断装置及系统 |
| CN109146093A (zh) * | 2018-08-08 | 2019-01-04 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN110113226A (zh) * | 2019-04-16 | 2019-08-09 | 新华三信息安全技术有限公司 | 一种检测设备异常的方法及装置 |
| CN111058944A (zh) * | 2019-12-27 | 2020-04-24 | 中广核研究院有限公司北京分公司 | 一种柴油发电机组气缸温度异常检测方法及系统 |
-
2021
- 2021-01-27 CN CN202110107865.8A patent/CN112766396A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9706521D0 (en) * | 1997-04-01 | 1997-05-21 | Porta Systems Corp | System and method for telecommunications system fault diagnostics |
| US10045218B1 (en) * | 2016-07-27 | 2018-08-07 | Argyle Data, Inc. | Anomaly detection in streaming telephone network data |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN108491580A (zh) * | 2018-02-26 | 2018-09-04 | 上海理工大学 | 一种设备故障诊断装置及系统 |
| CN109146093A (zh) * | 2018-08-08 | 2019-01-04 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
| CN110113226A (zh) * | 2019-04-16 | 2019-08-09 | 新华三信息安全技术有限公司 | 一种检测设备异常的方法及装置 |
| CN111058944A (zh) * | 2019-12-27 | 2020-04-24 | 中广核研究院有限公司北京分公司 | 一种柴油发电机组气缸温度异常检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| XINGHUA LI 等: "Detection of Low-Frequency and Multi-Stage Attacks in Industrial Internet of Things", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
| 张小勤: "基于PCA与k-NN的故障检测与诊断方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298806A (zh) * | 2021-06-18 | 2021-08-24 | 上海市机械施工集团有限公司 | 焊接缺陷智能检测方法、装置、焊接设备和存储介质 |
| CN115030885A (zh) * | 2022-06-06 | 2022-09-09 | 浙江新富凌电气股份有限公司 | 一种空压机一体机 |
| CN115030885B (zh) * | 2022-06-06 | 2023-12-26 | 浙江新富凌电气股份有限公司 | 一种空压机一体机 |
| CN114973741A (zh) * | 2022-06-17 | 2022-08-30 | 浙江大华技术股份有限公司 | 异常数据的处理方法、装置、存储介质及电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766396A (zh) | 一种设备异常的检测系统、方法、计算机设备和介质 | |
| CN110023862B (zh) | 诊断装置、诊断方法及计算机可读取的记录介质 | |
| US7275018B2 (en) | Method of condition monitoring | |
| EP3399376B1 (en) | Plant-abnormality-monitoring method and computer program for plant abnormality monitoring | |
| EP3055747B1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
| JP5091604B2 (ja) | 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム | |
| CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
| JP2012008030A (ja) | 回転機軸受診断装置 | |
| CN111637924B (zh) | 一种挖掘机异常的检测方法、检测装置及可读存储介质 | |
| CN114252216A (zh) | 一种燃气轮机滑油泄漏的检测方法 | |
| JP2012058885A (ja) | 故障原因診断方法及び故障原因診断装置 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| JP2005345154A (ja) | 異常予兆検出方法および装置 | |
| CN110303592B (zh) | 基于震动信息的混凝土生产设备在线故障检测方法及系统 | |
| CN117540315A (zh) | 一种过程工业设备系统健康度在线诊断方法 | |
| CN116502925A (zh) | 基于大数据的数字工厂设备巡检评估方法、系统和介质 | |
| RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
| CN117989472A (zh) | 一种燃气管道压力监测分析系统及方法 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| CN109784127A (zh) | 一种设备健康状态预警方法及其系统 | |
| CN110598680A (zh) | 一种机械设备健康状态评估方法、系统和可读存储介质 | |
| CN115757836A (zh) | 基于知识图谱的产品碳足迹分析系统 | |
| CN115190039A (zh) | 一种设备健康评测方法、系统、设备以及存储介质 | |
| CN114322446A (zh) | 冷却系统故障预警方法、装置、冷却系统及作业机械 | |
| KR102265461B1 (ko) | 제조 공정 비정상 데이터 탐지 시스템 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220324 Address after: Room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing Applicant after: Kunlun Digital Technology Co.,Ltd. Applicant after: CHINA NATIONAL PETROLEUM Corp. Address before: 100010 room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing Applicant before: Kunlun Digital Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |
|
| RJ01 | Rejection of invention patent application after publication |