CN112907911A - 一种基于设备工艺数据的智能异常识别与报警算法 - Google Patents

Abstract

本发明公开了一种基于设备工艺数据的智能异常识别与报警算法，属于工业系统技术领域，包括以下步骤：S1、建立数据采集模型，通过离线、节点预设和智能分配的采集方式获取工业设备的运行状态数据；S2、将运行状态数据上传至分析单元中，通过与数据库中的标准数据对比，识别数据是否异常，将识别异常的结果保存至存储单元，并发送给终端；S3、将识别正常的结果导入预测模型，通过预测分析数据是否需要预警，将预测结果保存至存储单元，并发送给终端；S4、对异常结果进行标红警示，将需要预警结果进行标黄警示。通过采集模型可以根据不同工业设备的工作模式，来采集其运行状态数据，降低采集器和数据分析单元的工作负荷，数据采集更加精准。

Description

一种基于设备工艺数据的智能异常识别与报警算法

技术领域

本发明涉及工业系统技术领域，特别涉及一种基于设备工艺数据的智能异常识别与报警算法。

背景技术

随着计算机技术、通信技术和控制技术的发展，传统的控制领域正经历着一场前所未有的变革，开始向网络化方向发展，80年代中后期，随着工业系统的日益复杂，控制回路的进一步增多，单一的DDC控制系统已经不能满足现场的生产控制要求和生产工作的管理要求，同时中小型计算机和微机的性能价格比有了很大提高。于是，由中小型计算机和微机共同作用的分层控制系统得到大量应用。随着工业技术的发展，工业设备与控制系统相结合的方式越来越普遍，工业自动化是社会发展的需求，因此在一个工艺流程中需要多个自动化设备来完成，所以在自动化设备运行过程中需要对其运行状态进行数据采集，并在异常状态下报警。

传统的工业设备数据采集和报警方式仍存在一定的缺陷，传统的数据采集只具备实时采集的功能，还有设定好采集的频率，但是在同一个工艺下有的设备工作时间长，有的工作时间短，保持同一采集频率，造成了资源浪费，也增加了数据采集和分析的压力，并且采集的数据只能通过识别异常进行报警，无法排除安全隐患，安全性较差。

发明内容

本发明的目的就在于为了解决上述设备运行状态数据采集不够灵活变通，增加了工作负荷，提高了采集器和分析器的压力以及只能异常报警，无法排除安全隐患的问题而提供一种基于设备工艺数据的智能异常识别与报警算法，具有采集更加灵活可靠，降低采集器和分析器的工作负荷，可对数据进行预警，排除安全隐患，更加安全可靠的优点。

本发明通过以下技术方案来实现上述目的，一种基于设备工艺数据的智能异常识别与报警算法，包括以下步骤：

S1、建立数据采集模型，通过离线、节点预设和智能分配的采集方式获取工业设备的运行状态数据；

S2、将运行状态数据上传至分析单元中，通过与数据库中的标准数据对比，识别数据是否异常，将识别异常的结果保存至存储单元，并发送给终端；

S3、将识别正常的结果导入预测模型，通过预测分析数据是否需要预警，将预测结果保存至存储单元，并发送给终端；

S4、对异常结果进行标红警示，将需要预警结果进行标黄警示。

优选的，所述步骤S1中通过数据采集卡采集数据，且采集的运行状态数据包括设备的用电数据、温度数据和湿度数据。

优选的，所述采集模型包括离线数据采集模型、节点预设采集模型和智能分配采集模型，其中离线采集模型用于采集离线设备的数据、节点预设采集模型用于采集预设的节点的数据，智能分配采集模型用于设置不同设备的采集频率。

优选的，所述智能分配采集模型分配采集频率的方法为：

S101、获取各个设备的工作时长，并将工作的时长由大到小依次排列到缓存器中；

S102、将采集频率按照由高到低依次排列，并与缓存器中的工作时长相对应；

S103、按照缓存器中的分配原则依次执行数据采集。

优选的，所述步骤S2识别异常数据的方法是通过将获取的运行状态数据与标准数据对比，对超出标准数据阈值范围的数据标记为异常数据。

优选的，所述步骤S3的预测模型预测预警数据的方法为：

S301、建立预测模型的训练学习模型，将运行状态数据根据时间先后排列，导入到训练学习模型中；

S302、等待下一个阶段的数据采集，将下一个阶段采集的数据作为输出结果对预测模型进行训练；

S303、新的正常数据输入到预测模型后，输出预测结果。

与现有技术相比，本发明的有益效果是：

1、通过采集模型将采集分为三种模式，离线采集可以保证采集到未工作的设备的运行状态数据，节点预设采集可以自定义各个工业设备的采集顺序，智能分配采集可以根据不同工业设备的工作模式，来调整采集其运行状态数据的频率，降低采集器和数据分析单元的工作负荷，数据采集更加精准。

2、通过将采集到的数据进行初次分析，分析出数据集中的异常数据，进行报警，再将正常数据进行预测，输出预测结果，方便起到预警的作用。

附图说明

图1为本发明的采集、识别、报警和预警方法流程图。

图2为本发明的智能分配采集模型分配采集频率方法流程图。

图3为本发明的预测模型预测预警数据方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1所示，一种基于设备工艺数据的智能异常识别与报警算法，包括以下步骤：

S1、建立数据采集模型，通过离线、节点预设和智能分配的采集方式获取工业设备的运行状态数据，通过数据采集卡采集数据，且采集的运行状态数据包括设备的用电数据、温度数据和湿度数据，提前将采集器与各个设备上的传感器网络互连，使得传感器检测的数据可以发送给采集器，采集器向传感器发送一条采集指令，则传感器将当前状态下检测到的传感数据发送给采集器，如：用电数据包括工业设备使用的电压、电流数据，温度数据和湿度数据；

S2、将运行状态数据上传至分析单元中，通过与数据库中的标准数据对比，识别数据是否异常，将识别异常的结果保存至存储单元，并发送给终端，通过将获取的运行状态数据与标准数据对比，对超出标准数据阈值范围的数据标记为异常数据，终端可以是手机或者移动电脑，方便经常活动的工作人员即使掌握到设备异常情况，存储单元起到一个数据备份的作用；

S3、将识别正常的结果导入预测模型，通过预测分析数据是否需要预警，将预测结果保存至存储单元，并发送给终端，如图3所示，所述步骤S3的预测模型预测预警数据的方法为：

S301、建立预测模型的训练学习模型，将运行状态数据根据时间先后排列，导入到训练学习模型中；

S302、等待下一个阶段的数据采集，将下一个阶段采集的数据作为输出结果对预测模型进行训练；

S303、新的正常数据输入到预测模型后，输出预测结果。

训练学习模型通过对比不同时间段的状态数据以及输出的结果，可以预测到有相同变化趋势的数据会产生异常情况，在一次次的学习过程中，完善整个预测模型的正确率，使新的数据导入到预测模型中后可以直接输出预测的结果，有利于提前预测异常发生。

S4、对异常结果进行标红警示，将需要预警结果进行标黄警示，通过不同的颜色来代表不同的报警等级，有效地起到警示的作用。

如图2所示，所述采集模型包括离线数据采集模型、节点预设采集模型和智能分配采集模型，其中离线采集模型用于采集离线设备的数据、节点预设采集模型用于采集预设的节点的数据，智能分配采集模型用于设置不同设备的采集频率，所述智能分配采集模型分配采集频率的方法为：

S101、获取各个设备的工作时长，并将工作的时长由大到小依次排列到缓存器中，根据工作时长可以判断每个工业设备在一个工艺流程中所起到的作用，工作时间长的设备，需要采集的优先级也越高；

S102、将采集频率按照由高到低依次排列，并与缓存器中的工作时长相对应，将优先级高得设备分配较高的采集频率，避免某一时间段的状态没有采集到影响异常报警的判断，对于优先级较低的工业设备，其参与工作的世界也较短，很可能在两次采集下获得同样的数据，因不需要高频率的采集数据，分配较低频率的采集速率，这样可以减少资源的浪费，降低采集器的工作负荷，也避免分析单元分析较多不重要的数据，影响分析效率；

S103、按照缓存器中的分配原则依次执行数据采集。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，包括以下步骤：

S1、建立数据采集模型，通过离线、节点预设和智能分配的采集方式获取工业设备的运行状态数据；

S2、将运行状态数据上传至分析单元中，通过与数据库中的标准数据对比，识别数据是否异常，将识别异常的结果保存至存储单元，并发送给终端；

S3、将识别正常的结果导入预测模型，通过预测分析数据是否需要预警，将预测结果保存至存储单元，并发送给终端；

S4、对异常结果进行标红警示，将需要预警结果进行标黄警示。

2.根据权利要求1所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述步骤S1中通过数据采集卡采集数据，且采集的运行状态数据包括设备的用电数据、温度数据和湿度数据。

3.根据权利要求2所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述采集模型包括离线数据采集模型、节点预设采集模型和智能分配采集模型，其中离线采集模型用于采集离线设备的数据、节点预设采集模型用于采集预设的节点的数据，智能分配采集模型用于设置不同设备的采集频率。

4.根据权利要求3所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述智能分配采集模型分配采集频率的方法为：

S101、获取各个设备的工作时长，并将工作的时长由大到小依次排列到缓存器中；

S102、将采集频率按照由高到低依次排列，并与缓存器中的工作时长相对应；

S103、按照缓存器中的分配原则依次执行数据采集。

5.根据权利要求1所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述步骤S2识别异常数据的方法是通过将获取的运行状态数据与标准数据对比，对超出标准数据阈值范围的数据标记为异常数据。

6.根据权利要求1所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述步骤S3的预测模型预测预警数据的方法为：

S301、建立预测模型的训练学习模型，将运行状态数据根据时间先后排列，导入到训练学习模型中；

S302、等待下一个阶段的数据采集，将下一个阶段采集的数据作为输出结果对预测模型进行训练；

S303、新的正常数据输入到预测模型后，输出预测结果。

Images