CN113050414B - 一种基于工控系统时序数据的预警方法和系统 - Google Patents
一种基于工控系统时序数据的预警方法和系统 Download PDFInfo
- Publication number
- CN113050414B CN113050414B CN201911371672.2A CN201911371672A CN113050414B CN 113050414 B CN113050414 B CN 113050414B CN 201911371672 A CN201911371672 A CN 201911371672A CN 113050414 B CN113050414 B CN 113050414B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction model
- training
- time
- optimal
- 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
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于工控系统时序数据的预警方法,包括步骤1:接收用户输入的时序数据或采集设备的数据;步骤2:通过神经网络建立最优预测模型;步骤3:接收设备当前数据,调用所述最优预测模型预测所述设备下一时刻的数据,并判断是否报警。通过本发明,能够根据当前的时序数据,实现对未来数据的预测,从而实现对安全事故的预警。
Description
技术领域
本发明涉及工业控制领域,更具体地,涉及一种基于工控系统时序数据的预警方法和系统。
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,目前的工业控制安全,主要是通过传感器接收当前时刻的数据,然后进行判断,这样的做法难以实现对安全事故的预测。
发明内容
为克服现有技术的上述缺陷,本发明提出一种基于工控系统时序数据的预警方法和系统,从而实现对工业控制系统的安全事故的预警。
根据本发明的一方面,提出一种基于工控系统时序数据的预警方法,包括:步骤1:接收用户输入的时序数据或采集工控系统中设备的时序数据;步骤2:通过神经网络建立最优预测模型;步骤3:接收设备当前数据,调用所述最优预测模型预测所述设备下一时刻的数据,并判断是否报警。
较佳地,在所述步骤1中,所述时序数据为工控系统中设备传送的时间序列数据,所述时间序列数据是同一指标按时间顺序记录的数据。
较佳地,在所述步骤2中,包括以下步骤:
S21:对任一时刻T,设置采样时间窗l,构建训练样本,训练预测模型,从而获得N-l个预测模型;其中,l的取值为[1,N-1],N为时序数据的数量,所述预测模型的输入是T-l+1,T-l+2,…,T时刻的数据,输出是T+1时刻的数据;
S22:确定最优采样时间窗l和最优预测模型。
较佳地,所述构建训练样本包括:随机选择设定比例的训练样本作为训练数据,剩余的训练样本作为测试数据。
较佳地,所述步骤S22包括:
(1)计算将测试数据输入所述预测模型后得到的预测结果与真实结果之间的误差;
(2)计算测试数据的平均误差,并作为所述模型预测性能评估指标;
(3)将平均误差最小的预测模型作为最优预测模型,所述最优预测模型对应的时间窗为最优采样时间窗。
根据本发明的另一方面,提出一种基于工控系统时序数据的预警系统,包括:数据采集模块、训练样本构建模块、神经网络训练模块、最优预测模型获取模块和预测报警模块,其中,
所述数据采集模块,用于接收用户输入的时序数据或采集工控系统中设备的时序数据;所述训练样本构建模块,用于对所述数据采集模块传送来的数据,对任一时刻T,设置采样时间窗l,构建训练样本;所述神经网络训练模块,用于通过所述训练样本构建模块传送的同一采样时间窗的训练样本训练预测模型;最优预测模型获取模块,用于获取最优预测模型;和预测报警模块,用于接收设备当前数据,调用所述最优预测模型预测所述设备下一时刻的数据,并判断是否报警。
较佳地,所述训练样本构建模块中采样时间窗l的取值为[1,N-1],N为所述时序数据的数量;样本中T-l+1,T-l+2,…,T时刻的数据用于作为预测模型的输入,T+1时刻的数据用于作为预测模型的输出。
较佳地,所述构建训练样本包括:随机选择设定比例的所述训练样本作为训练数据,剩余的样本作为测试数据。
较佳地,所述最优预测模型获取模块中,计算将所述测试数据输入所述预测模型后得到的预测结果与真实结果之间的误差,然后计算测试数据的平均误差,将平均误差最小的预测模型作为最优预测模型,所述最优预测模型对应的时间窗为最优采样时间窗。
本发明通过训练得到的预测模型,能够实现对下一时刻数据的自动预测,提高了预测效率,并且能够实现对工控安全事故的预警。
附图说明
图1为根据本发明一个实施例的一种基于工控系统时序数据的预警方法的流程示意图;
图2为根据本发明一个实施例的一种基于工控系统时序数据的预警系统结构示意图;
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基于工控系统时序数据的预警方法及系统进行详细描述。
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。
本发明提出了一种基于工控系统时序数据的预警方法,如图1所示,包括以下步骤:步骤1:接收用户输入的时序数据或采集工控系统中设备的时序数据;步骤2:通过神经网络建立最优预测模型;步骤3:接收设备当前数据,调用所述最优预测模型预测所述设备下一时刻的数据,并判断是否报警。
在步骤1中,时序数据指时间序列数据。时间序列数据是同一指标按时间顺序记录的数据列。在同一数据列中的各个数据必须是同口径的,要求具有可比性。时序数据可以是时期数,也可以时点数。例如:来自储油罐的每分钟的油量数值,等等。
在工控系统中,有很多设备需要监测和判断其安全性,比如上述的储油罐的容量,还有储油罐的储油速度、油管的油量、油气井的出油量、油气井电动机的功率等。
在步骤2中,将步骤1中时序数据中T时刻前的数据作为输入,将T+1时刻的数据作为输出,训练神经网络。具体流程如下:
S21:对任一时刻T,采用不同长度的采样时间窗l(l的取值为[1,N-1]),N为整个时序数据的数量,构建训练样本,比如,T-l+1,T-l+2,…,T,T+1时刻的数据为一个训练样本。这样针对不同的采样时间窗,我们就能够建立出N-l个训练样本。
S22:将同一采样时间窗的训练样本送入神经网络,训练预测神经网络系统,即获得神经网络的相关参数,从而得到了预测模型。根据输入和输出数据训练神经网络的技术是现有技术人员常用的技术,有成熟的框架供编程使用。这样,可以得到N-l个预测模型。
S23:确定最优采样时间窗l和最优预测模型。
在一个实施例中,随机选择设定比例的训练样本(比如80%)作为训练数据,剩余的样本作为测试数据。通过训练数据上建立神经网络预测模型,然后对测试数据,调用预测模型,计算预测结果与真实结果之间的误差,统计测试样本的平均误差作为该模型预测性能评估指标。对根据不同l的测试结果,从而确定最优采样时间窗l和最优预测模型。计算N-l个预测模型性能评估指标,取最好的(平均误差最小的)预测模型为最优预测模型,该模型对应的l为最优采样时间窗。
在步骤3中,接收设备当前数据,将该时序数据和最优采样时间窗l输入最优预测模型,输出预测的下一时刻(T+1时刻)的时序数据。对于该预测数值,可以进一步和判断规则或安全库进行比较,从而判断出其对应或表征的设备是否异常,从而决定是否报警。
在一个具体实施例中,比如油田中,常用的时序数据可以为油管的流量,样例数据如下(每分钟油量数据):
3.2,3.3,3.4,3.5,3.2,3.1,3.5,3.1,3.3,3.6,3.4,3.2…
设置l=2,能够形成下面的数据样本
输入 | 输出 |
3.2,3.3 | 3.4 |
3.3,3.4 | 3.5 |
3.4,3.5 | 3.2 |
3.5,3.2 | 3.1 |
3.2,3.1 | 3.5 |
3.1,3.5 | 3.1 |
3.5,3.1 | 3.3 |
3.1,3.3 | 3.6 |
3.3,3.6 | 3.4 |
3.6,3.4 | 3.2 |
利用上面的样本数据,从中随机选出一些数据作为训练数据,例如80%的样例作为训练数据,也就是8个,剩余的2个作为测试数据。在建立好预测模型之后,利用测试数据的输入,得到预测结果,然后计算预测结果与实际输出之间的误差,以误差的均值作为预测模型性能的评估值,这里为0.3,
我们设置l=3,能够形成下面的数据样本:
采用上述同样的流程,通过分为训练数据和测试数据,我们可以计算得到预测模型的性能指标,误差值为0.25。
我们设置l=4,能够形成下面的数据样本:
输入 | 输出 |
3.2,3.3,3.4,3.5 | 3.2 |
3.3,3.4,3.5,3.2 | 3.2 |
… | |
3.3,3.3,3.6,3.4 | 3.2 |
采用上述同样的流程,通过分为训练数据和测试数据,我们可以计算得到预测模型的性能指标,误差值为0.4。
通过比较三个不同的l值,我们选取误差值最小的l=3模型为最优预测模型。如果当前时刻,输入值为(3.0,3.2,3.6),则通过最优预测模型预测得到下一时刻的油管流速为3.3,根据规则库判断预测数值是否在安全范围内,如果在安全范围内,则说明设备运行正常,否则进行报警。
根据本发明的另一方面,提出一种基于工控系统时序数据的预警系统,如图2所示,包括数据采集模块、训练样本构建模块、神经网络训练模块、最优预测模型获取模块和预测报警模块,其中,
数据采集模块,用于接收用户输入的时序数据或采集工控系统中设备的时序数据;时序数据为工控系统中设备传送的时间序列数据,时间序列数据是同一指标按时间顺序记录的数据。
训练样本构建模块,用于对数据采集模块传送来的数据,对任一时刻T,设置采样时间窗l,构建训练样本,如T-l+1,T-l+2,…,T,T+1时刻的数据;采样时间窗l的取值为[1,N-1],N为时序数据的数量;样本中T-l+1,T-l+2,…,T时刻的数据用于作为预测模型的输入,T+1时刻的数据用于作为预测模型的输出。在一个实施例中,随机选择设定比例(如80%)的训练样本作为训练数据,剩余的样本作为测试数据。
神经网络训练模块,用于通过训练样本构建模块传送的训练样本(训练数据和测试数据)训练预测模型;将同一采样时间窗l的训练数据用于作为预测模型的输入,T+1时刻的数据用于作为预测模型的输出,从而获得N-l个预测模型。
最优预测模型获取模块,用于获取最优预测模型;具体说,该模块首先计算将测试数据输入预测模型后得到的预测结果与真实结果之间的误差,然后计算测试数据的平均误差,将平均误差最小的预测模型作为最优预测模型,最优预测模型对应的时间窗为最优采样时间窗。
预测报警模块,用于接收设备当前数据,调用最优预测模型预测设备下一时刻(T+1时刻)的数据,并判断是否报警。判断的依据可以是规则库或相关标准。
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 (8)
1.一种基于工控系统时序数据的预警方法,所述方法包括以下步骤:
步骤1:接收用户输入的时序数据或采集工控系统中设备的时序数据;
步骤2:通过神经网络建立最优预测模型;
步骤3:接收设备当前数据,调用所述最优预测模型预测所述设备下一时刻的数据,并判断是否报警;
在所述步骤2中,包括以下步骤:
S21:对任一时刻T,设置采样时间窗l,构建训练样本,训练预测模型,从而得到N-l个预测模型;其中,l的取值为[1,N-1],N为所述时序数据的数量,所述预测模型的输入是T-l+1,T-l+2,…,T时刻的数据,输出是T+1时刻的数据;
S22:确定最优采样时间窗l和最优预测模型。
2.根据权利要求1所述的预警方法,其中,在所述步骤1中,所述时序数据为工控系统中设备传送的时间序列数据,所述时间序列数据是同一指标按时间顺序记录的数据。
3.根据权利要求1所述的预警方法,其中,所述构建训练样本包括:随机选择设定比例的所述训练样本作为训练数据,剩余的样本作为测试数据。
4.根据权利要求3所述的预警方法,其中,所述步骤S22包括:
(1)计算将所述测试数据输入所述预测模型后得到的预测结果与真实结果之间的误差;
(2)计算测试数据的平均误差,并作为所述模型预测性能评估指标;
(3)将平均误差最小的预测模型作为最优预测模型,所述最优预测模型对应的时间窗为最优采样时间窗。
5.一种基于工控系统时序数据的预警系统,包括数据采集模块、训练样本构建模块、神经网络训练模块、最优预测模型获取模块和预测报警模块,其中,
所述数据采集模块,用于接收用户输入的时序数据或采集工控系统中设备的时序数据;
所述训练样本构建模块,用于对所述数据采集模块传送来的数据,设置采样时间窗l,构建训练样本;
所述神经网络训练模块,用于通过所述训练样本构建模块传送的训练样本训练预测模型;
最优预测模型获取模块,用于获取最优预测模型;和
预测报警模块,用于接收设备当前数据,调用所述最优预测模型预测所述设备下一时刻的数据,并判断是否报警;
所述训练样本构建模块中采样时间窗l的取值为[1,N-1],N为所述时序数据的数量;对于任一时刻T,样本中T-l+1,T-l+2,…,T时刻的数据用于作为预测模型的输入,T+1时刻的数据用于作为预测模型的输出。
6.根据权利要求5所述的预警系统,其中,所述时序数据为工控系统中设备传送的时间序列数据,所述时间序列数据是同一指标按时间顺序记录的数据。
7.根据权利要求5所述的预警系统,其中,所述构建训练样本包括:随机选择设定比例的所述训练样本作为训练数据,剩余的样本作为测试数据。
8.根据权利要求7所述的预警系统,其中,所述最优预测模型获取模块中,计算将所述测试数据输入所述预测模型后得到的预测结果与真实结果之间的误差,然后计算测试数据的平均误差,将平均误差最小的预测模型作为最优预测模型,所述最优预测模型对应的时间窗为最优采样时间窗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371672.2A CN113050414B (zh) | 2019-12-27 | 2019-12-27 | 一种基于工控系统时序数据的预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371672.2A CN113050414B (zh) | 2019-12-27 | 2019-12-27 | 一种基于工控系统时序数据的预警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113050414A CN113050414A (zh) | 2021-06-29 |
CN113050414B true CN113050414B (zh) | 2023-02-10 |
Family
ID=76505739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911371672.2A Active CN113050414B (zh) | 2019-12-27 | 2019-12-27 | 一种基于工控系统时序数据的预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113050414B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309235A (zh) * | 2012-03-15 | 2013-09-18 | 华北计算机系统工程研究所 | 一种工控系统主动防危的方法 |
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN108584592A (zh) * | 2018-05-11 | 2018-09-28 | 浙江工业大学 | 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 |
CN109697555A (zh) * | 2018-12-11 | 2019-04-30 | 浙江大学 | 一种针对风速报警解除前的高速铁路运行状态调度方法 |
CN109858244A (zh) * | 2019-01-16 | 2019-06-07 | 四川大学 | 一种容器内进程异常行为检测方法与系统 |
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN110414034A (zh) * | 2019-06-05 | 2019-11-05 | 广东电网有限责任公司 | 一种电力负荷爬坡预警的方法、系统及设备 |
-
2019
- 2019-12-27 CN CN201911371672.2A patent/CN113050414B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309235A (zh) * | 2012-03-15 | 2013-09-18 | 华北计算机系统工程研究所 | 一种工控系统主动防危的方法 |
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN108584592A (zh) * | 2018-05-11 | 2018-09-28 | 浙江工业大学 | 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 |
CN109697555A (zh) * | 2018-12-11 | 2019-04-30 | 浙江大学 | 一种针对风速报警解除前的高速铁路运行状态调度方法 |
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN109858244A (zh) * | 2019-01-16 | 2019-06-07 | 四川大学 | 一种容器内进程异常行为检测方法与系统 |
CN110414034A (zh) * | 2019-06-05 | 2019-11-05 | 广东电网有限责任公司 | 一种电力负荷爬坡预警的方法、系统及设备 |
Non-Patent Citations (2)
Title |
---|
基于高斯模型的工业过程数据的故障预测;杨为惠 等;《太原理工大学学报》;20180131(第01期);90-97 * |
提升路基沉降预测能力的方法;张帆宇 等;《煤炭学报》;20130430;88-92 * |
Also Published As
Publication number | Publication date |
---|---|
CN113050414A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN109086804B (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN111861274A (zh) | 一种水环境风险预测预警方法 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN108931619B (zh) | 一种火电厂废水处理设备寿命预测方法及装置 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN114559133B (zh) | 一种普适焊接起弧连续性实时检测方法及系统 | |
CN105468850A (zh) | 基于多残差回归预测算法的电子产品退化趋势预测方法 | |
CN112187528A (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
CN110824914A (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN106126875A (zh) | 一种基于态势感知理论的变压器状态评估方法 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN113050414B (zh) | 一种基于工控系统时序数据的预警方法和系统 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN117526561A (zh) | 基于数字孪生的变电站设备异常监控和预警方法及系统 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN111381573B (zh) | 一种工业控制系统安全性的预测方法和系统 | |
CN105426991A (zh) | 一种变压器缺陷率预测的方法和系统 | |
CN100440089C (zh) | 一种基于fisher的工业过程非线性故障诊断系统及方法 | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN113627278A (zh) | 一种基于水指纹算法的用水趋势图形化分析方法 |
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 |