CN113123955A - 柱塞泵异常检测方法、装置、存储介质及电子设备 - Google Patents

Abstract

本发明公开了一种柱塞泵异常检测方法、装置、存储介质及电子设备，该方法包括：获得柱塞泵的多份运行状态数据；将多份运行状态数据输入到已训练出的孤立森林模型中，得到孤立森林模型输出的每份运行状态数据对应的异常程度，孤立森林模型为利用柱塞泵的多份历史运行状态数据训练得到的；确定多份运行状态数据中的异常运行状态数据，异常运行状态数据对应的异常程度高于异常阈值，异常阈值为训练孤立森林模型的过程中确定出的，用于表征运行状态数据存在异常所需对应的最低异常程度；在异常运行状态数据满足预设条件的情况下，确定柱塞泵的运行状态存在异常。本申请的方案可以实现柱塞泵的运行状态数据及时、高效的检测出柱塞泵的运行状态异常。

Description

柱塞泵异常检测方法、装置、存储介质及电子设备

技术领域

本发明涉及数据处理技术领域，尤其涉及一种柱塞泵异常检测方法、装置、存储介质及电子设备。

背景技术

油田注水是油田采油过程的重要环节之一，而柱塞泵是油田注水所需的重要设备。

由于柱塞泵所需处理的油田污水很容易对柱塞泵的零部件造成腐蚀，而且柱塞泵内部各个零部件之间的运动形式复杂，使得柱塞泵出现运行状态异常的风险较大。因此，如何及时、高效的检测出柱塞泵运行过程中的异常状态是本领域技术人员迫切需要解决的技术问题。

发明内容

鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的柱塞泵异常检测方法、装置、存储介质及电子设备。

一方面，本申请提供了一种柱塞泵异常检测方法，包括：

获得柱塞泵在待分析时段的多个时刻对应的多份运行状态数据；

将所述多份运行状态数据输入到已训练出的孤立森林模型中，得到所述孤立森林模型输出的每份所述运行状态数据对应的异常程度，所述孤立森林模型为利用所述柱塞泵的多份历史运行状态数据训练得到的；

确定所述多份运行状态数据中的异常运行状态数据，所述异常运行状态数据对应的异常程度高于异常阈值，所述异常阈值为训练所述孤立森林模型的过程中确定出的，用于表征运行状态数据存在异常所需对应的最低异常程度；

在所述异常运行状态数据满足预设条件的情况下，确定所述柱塞泵的运行状态存在异常。

优选的，所述在所述异常运行状态数据满足预设条件的情况下，确定所述柱塞泵的运行状态存在异常，包括：

在所述异常运行状态数据的数量与所述多份运行状态数据的数量的比值超过设定比值的情况下，确定所述柱塞泵的运行状态存在异常。

优选的，所述获得柱塞泵在不同时刻的多份运行状态数据包括：

获得柱塞泵在当前时刻之前设定时长内的多份运行状态数据；

或者，获得最近采集到所述柱塞泵的设定数量份运行状态数据，其中，设定数量为大于1的自然数。

优选的，在确定所述柱塞泵的运行状态存在异常之后，还包括：

输出所述柱塞泵的异常提醒，所述异常提醒用于提示所述柱塞泵的运行状态存在异常。

优选的，所述孤立森林模型和所述异常阈值通过如下方式训练得到：

获得所述柱塞泵在不同历史时刻的多份历史运行状态数据；

将所述多份历史运行状态数据输入待训练的孤立森林模型，得到所述待训练的孤立森林模型输出的每份历史运行状态数据对应的异常程度；

确定所述多份历史运行状态数据中的异常历史状态数据，所述异常历史状态数据为对应的异常程度高于设定的程度阈值的历史运行状态数据；

按照设定的单位时段的时长，确定不同历史单位时段内包含的所述异常历史状态数据；

将所述异常历史状态数据满足设定条件的历史单位时段，确定为所述柱塞泵存在运行异常的异常单位时段；

如基于所述柱塞泵对应的异常单位时段确定出尚未满足训练结束条件，则调整所述待训练的孤立森林模型的内部参数以及所述程度阈值，并返回执行所述将所述多份历史运行状态数据输入待训练的孤立森林模型的操作；

如基于所述柱塞泵对应的异常单位时段确定出满足训练结束条件，则将当前训练得到的孤立森林模型作为训练出的孤立森林模型，并将当前设定的程度阈值作为训练出的孤立森林模型对应的异常阈值。

优选的，所述确定不同历史单位时段内包含的所述异常历史状态数据，包括：

统计不同历史单位时段内所述异常历史状态数据的占比；

所述将所述异常历史状态数据满足所述条件的历史单位时段确定为所述柱塞泵存在运行异常的异常单位时段，包括：

将所述异常历史状态数据的占比超过设定比值的历史单位时段，确定为所述柱塞泵存在运行异常的异常单位时段。

优选的，在所述获得柱塞泵在待分析时段的多个时刻对应的多份运行状态数据之前，还包括：

利用当前时刻之前最近的预设时间段内的多份历史运行状态数据，训练所述孤立森林模型，以优化所述孤立森林模型。

又一方面，本申请还提供了一种柱塞泵异常检测装置，包括：

数据获得单元，用于获得柱塞泵在待分析时段的多个时刻对应的多份运行状态数据；

孤立检测单元，用于将所述多份运行状态数据输入到已训练出的孤立森林模型中，得到所述孤立森林模型输出的每份所述运行状态数据对应的异常程度，所述孤立森林模型为利用所述柱塞泵的多份历史运行状态数据训练得到的；

异常数据确定单元，用于确定所述多份运行状态数据中的异常运行状态数据，所述异常运行状态数据对应的异常程度高于异常阈值，所述异常阈值为训练所述孤立森林模型的过程中确定出的，用于表征运行状态数据存在异常所需对应的最低异常程度；

异常状态确定单元，用于在所述异常运行状态数据满足预设条件的情况下，确定所述柱塞泵的运行状态存在异常。

又一方面，本申请还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序用于执行以上任意一项所述的柱塞泵异常检测方法。

又一方面，本申请还提供了一种电子设备，包括至少一个处理器、与处理器连接的至少一个存储器以及总线；

其中，所述处理器、所述存储器通过总线完成相互间的通信；

所述处理器用于调用所述存储器中的程序指令，以执行如上任一项所述的柱塞泵异常检测方法。

借由上述技术方案，本发明利用已训练出的孤立森林模型预测柱塞泵的多份运行状态数据各自属于异常数值的异常程度，并将运行状态数据对应的异常程度与训练孤立森林模型的过程中确定出的异常阈值进行比对，可以确定出该多份运行状态数据中表征柱塞泵存在运行状态异常风险的异常运行状态数据，在该基础上，基于异常运行状态数据便可以分析出柱塞泵是否存在运行状态异常。由于孤立森林模型是基于孤立森林算法进行异常检测，而孤立森林算法的时间复杂度较低，有利于较为高效的确定出大量运行状态数据对应的异常程度，从而可以实现基于柱塞泵的运行状态数据及时、高效的检测出柱塞泵的运行状态异常。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本申请一种柱塞泵异常检测方法一个实施例的流程示意图；

图2示出了本申请训练得到孤立森林模型的一种训练流程示意图；

图3示出了本申请一种柱塞泵异常检测方法又一个实施例的流程示意图；

图4示出了本申请一种柱塞泵异常检测装置的一种组成结构示意图；

图5示出了本申请一种电子设备的一种组成结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如图1所示，其示出了本申请一种柱塞泵异常检测方法一个实施例的流程示意图，本实施例的方法可以应用于个人计算机、服务器等具备数据处理能力的电子设备。本实施例的方法可以包括：

S101，获得柱塞泵在不同时刻的多份运行状态数据。

可以理解的是，为了监测柱塞泵是否存在故障等运行状态异常，需要不断采集柱塞泵的运行状态数据，这样，每个采集时刻可以采集到一份运行状态数据。

其中，柱塞泵的运行状态数据为用于反映柱塞泵运行状态的数据。其中，每份运行状态数据可以包括一种或者多种与柱塞泵运行状态相关的数据。

如，柱塞泵的运行状态数据可以包括：柱塞泵的泵体振动速度、柱塞泵的轴承温度、柱塞泵的压力参数、柱塞泵的流量参数以及柱塞泵的电机电流参数等数据中的一种或者几种。

可选的，考虑到柱塞泵的泵体振动速度和轴承温度能够更为直观、可靠的反映出柱塞泵的运行状态，因此，本申请实施例中运行状态数据可以至少包括柱塞泵的泵体振动速度和轴承温度。

可以理解的是，在柱塞泵持续运行过程中，仅仅根据单个时刻的运行状态数据很难分析出柱塞泵是否存在运行状态异常，而且，本申请是基于孤立森林算法来实现柱塞泵的运行状态数据的分析，因此，本申请获取的多份运行状态数据是指柱塞泵在待分析时间段内的多个时刻的运行状态数据。

如，在一种可能的情况中，为了能够更为及时确定柱塞泵当前是否存在故障或者其他运行异常，可以持续不断的实时分析柱塞泵的运行状态数据。在该种情况下，本申请可以获得柱塞泵在当前时刻之前设定时长内的多份运行状态数据。如，获得在当前时刻之前3个小时内采集到的该柱塞泵的多份运行状态数据。

在又一种可能的情况中，可以基于各个自然日采集到的运行状态数据，分别对柱塞泵在每个自然日的各时段的运行状态进行监控分析。在该种情况下，可以从当前天采集到的柱塞泵的运行状态数据中，获得最近采集到的设定数量份运行状态数据，其中，设定数量为大于1的自然数，如设定数量可以为100。假设在当前时刻之前且属于当前日采集到的运行状态数据不足设定数量份，则会继续采集运行状态数据；直至当前时刻之前属于当前日采集到的运行状态数据达到设定数量份，则可以从当前日采集到的运行状态数据中，选取采集时刻距离当前时刻最近的设定数量份运行状态数据。

当然，在实际应用中，获取多个时刻的运行状态数据的方式还可以有其他可能，具体可以根据检测柱塞泵异常的实际需要设定即可，本申请对此不加限制。

S102，将该多份运行状态数据输入到已训练出的孤立森林模型中，得到该孤立森林模型输出的每份运行状态数据对应的异常程度。

其中，孤立森林模型是指基于孤立森林算法构建出的模型。

在本申请实施例中，该孤立森林模型为利用该柱塞泵的多份历史运行状态数据训练得到的。由于孤立森林算法是一种无监督的学习算法，无需通过人工标注的方式进行异常判断，因此，在获得多份历史运行状态数据之后，便可以直接用于训练孤立森林模型，本申请对于孤立森林模型的具体训练过程不加限制。

可以理解的是，孤立森林算法是通过对数据点的孤立来检测异常数据点。具体的，该孤立森林算法利用名为孤立树的二叉搜索树结构来孤立数据点。由于异常数据点的数量较少且与大部分数据点的疏离性，异常数据点会被更早的孤立出来，也就是说，相对于正常的数据点，异常数据点会距离二叉搜索树的根节点更近。可见，在孤立森林算法中，数据点距离二叉搜索树的根节点的距离大小与该数据点属于异常值的程度成反比。

基于孤立森林算法孤立数据点的过程可知，在本申请实施例中将多份运行状态数据输入到孤立森林模型之后，孤立森林模型利用孤立森林算法检测多份运行状态数据中的异常数据，从而确定出每份运行状态数据属于异常数据的程度，该程度就是运行状态数据对应的异常程度。可见，运行状态数据对应的异常程度可以表征该运行状态数据属于异常的大小程度。

其中，异常程度可以为一个数值，如概率值，当然，也可以根据实际需要通过异常等级等来表示异常程度。

S103，确定该多份运行状态数据中的异常运行状态数据。

其中，该异常运行状态数据对应的异常程度高于异常阈值。

该异常阈值为训练该孤立森林模型的过程中确定出的，用于表征运行状态数据存在异常所需对应的最低异常程度。其中，在利用历史运行状态数据训练孤立森林模型的过程中，除了会不断调整孤立森林模型的内部参数，还会不断调整该异常阈值，直到通过该异常阈值可以将柱塞泵在正常运行状态下产生的运行状态数据划归为正常运行状态数据为止。

其中，该异常阈值可以在训练孤立森林模型的过程中，依据孤立森林模型预测准确率来不断调整。如，可以由专家根据经验和该孤立森林模型的预测准确率来不断调整，直至孤立森林模型的预测准确率符合要求，将最终调整到的异常阈值作为最终的异常阈值。

相应的，如果该运行状态数据对应的异常程度高于该异常阈值，则说明该运行状态数据表征柱塞泵在该运行状态数据对应时刻存在异常风险。

S104，在异常运行状态数据满足预设条件的情况下，确定该柱塞泵的运行状态存在异常。

可以理解的是，由于异常运行状态数据是指表征柱塞泵存在异常风险的运行状态数据，因此，基于多份运行状态数据可以分析柱塞泵在采集到该多份运行状态数据对应的时间段内出现运行异常的风险程度，从而可以分析出柱塞泵的运行状态是否存在异常。

其中，异常运行状态数据满足预设条件可以有多种可能。如，在一种可能的情况中，在每次分析柱塞泵运行状态所获得的运行状态数据的份数相同的情况下，该预设条件可以为该多份运行状态数据中属于异常运行状态数据的数量超过设定数量。例如，假设每次对柱塞泵进行异常检测时，需要获取100份运行状态数据，那么设定数量可以为60，相应的，如果异常运行状态数据超过60份，则可以确定该柱塞泵的运行状态存在异常。

在又一种可能的情况中，该预设条件可以为异常运行状态数据的数量与该多份运行状态数据的数量的比值超过设定比值。如，设定比值可以为百分之五十，假设获得了100份运行状态数据，那么如果这100份运行状态数据中异常运行状态数据的数量超过50份，则异常运行状态数据占据获得的多份运行状态数据的占比就会超过百分之五十，则可以确定柱塞泵存在运行状态异常。

作为一种可选方案，为了便于及时提示柱塞泵存在异常状况，在确定出该柱塞泵的运行状态存在异常之后，还可以输出该柱塞泵的异常提醒，该异常提醒可以用于提示该柱塞泵的运行状态存在异常。如，在电子设备的显示界面输出该柱塞泵的异常提醒或者通过声音输出单元输出该柱塞泵的异常提醒的语音等。

进一步的，为了提示出柱塞泵存在运行状态异常的风险程度，在确定出该柱塞泵的运行状态存在异常之后，可以将异常状态数据在多份运行状态数据中的占比确定为该柱塞泵的运行状态存在异常的风险程度，并在输出的异常提醒中提示该风险程度。

由以上内容可知，本发明利用已训练出的孤立森林模型预测柱塞泵的多份运行状态数据各自属于异常数值的异常程度，并将运行状态数据对应的异常程度与训练孤立森林模型的过程中确定出的异常阈值进行比对，可以确定出该多份运行状态数据中表征柱塞泵存在运行状态异常风险的异常运行状态数据，在该基础上，基于异常运行状态数据便可以分析出柱塞泵是否存在运行状态异常。由于孤立森林模型是基于孤立森林算法进行异常检测，而孤立森林算法的时间复杂度较低，有利于较为高效的确定出大量运行状态数据对应的异常程度，从而可以实现基于柱塞泵的运行状态数据及时、高效的检测出柱塞泵的运行状态异常。

由于孤立森林算法是一种无监督的学习算法，无需通过人工标注的方式进行异常判断，因此，相对于其他机器学习算法，本申请利用孤立森林算法构建模型，有利于降低模型训练的复杂度。

在本申请实施例对孤立森林模型训练的具体方式不加限制。为了便于理解，下面以一种情况为例说明。

如图2所示，其示出了本申请中训练孤立森林模型的一种流程示意图，该流程可以包括：

S201，获得该柱塞泵在不同历史时刻的多份历史运行状态数据。

其中，柱塞泵的历史运行状态数据与前面柱塞泵的运行状态数据的含义相似，仅仅是为了区分，将训练过程中作为训练样本的运行状态数据称为历史运行状态数据。

如，可以获取已过去的多天中各个历史时刻采集到的该柱塞泵的历史运行状态数据。

如，可以设定时间窗口，如该时间窗口可以为一个月，则可以获取最近一个月内的多份历史运行状态数据。

S202，将该多份历史运行状态数据输入待训练的孤立森林模型，得到该待训练的孤立森林模型输出的每份历史运行状态数据对应的异常程度。

S203，确定该多份历史运行状态数据中的异常历史状态数据。

其中，异常历史状态数据为对应的异常程度高于设定的程度阈值的历史运行状态数据。

在训练孤立森林模型的过程中，确定历史运行状态数据的异常程度与前面确定运行状态数据对应的异常程度的过程相似，相应的，确定异常历史状态数据的过程与确定异常运行状态数据的过程相似，具体可以参见前面的相关介绍，在此不再赘述。

S204，按照设定的单位时段的时长，确定不同历史单位时段内包含的该异常历史状态数据。

其中，该单位时段可以为分析柱塞泵运行状态的单位时间段，该单位时段的时长可以根据实际需要设定。如，一般情况下，可以将一天设置为一个单位时段，则单位时段的时长为一天；或者，可以将12个小时设置为一个单位时间段，还可以将是两天认为是一个单位时间段，具体可以根据需要设定，在此不加限制。

相应的，可以分别统计各个该多个历史运行状态数据对应的多个时刻所归属的不同的历史单位时段，从而可以得到不同历史单位时段内包含哪些异常历史状态数据。例如，以单位时段的时长为一天为例，则可以确定不同历史天内包含的异常历史状态数据。

例如，仍以一天为一个单位时段说明，假设某个历史天内包含历史运行状态数据为80份，其中，异常历史状态数据有40份，则该历史天内异常历史状态数据的占比为百分之五十。

S205，将该异常历史状态数据满足设定条件的历史单位时段，确定为该柱塞泵存在运行异常的异常单位时段。

其中，该异常历史状态数据满足的设定条件可以与前面异常运行状态数据满足的预设条件相似。

如，在一种可能的情况中，可以统计每个历史单位时段内异常历史状态数据的占比，即，该历史单位时间段内异常历史状态数据占据该历史单位时间段内所有历史状态数据的比值。相应的，该设定条件可以为历史单位时段内的异常历史状态数据的占比超过设定占比。

S206，基于该柱塞泵对应的异常单位时间段，判断是否满足训练结束条件，如果是，则执行步骤S208；如果否，则执行步骤S207。

其中，训练结束条件可以为预测出的各个异常单位时间段的准确率是否符合要求。如，可以根据柱塞泵在多个历史天的各个历史单位时间段是否存在运行状态异常，来分析预测出的各个异常单位时间段是否准确，如果准确率达到设定阈值，则确认满足训练结束条件。

又如，还可以由专家等用户结合各个历史时间段的历史运行状态数据，辅助判断各个异常单位时间段是否为柱塞泵存在运行异常的时间段，从而确定出预测出的异常单位时间段的准确率，进而分析准确率是否达到要求。进一步的，还可以合并连续的异常单位时间段，得到至少一个连续异常时段，例如，以单位时间段为一天为例，在确定出柱塞泵存在运行异常的各异常天之后，则可以合并连续的异常天，得到至少一个连续异常时段，每个连续异常时段包括至少两个连续异常天。相应的，可以将连续异常时段交给专家核验是否确实为出现故障的时段，从而统计出准确率或者召回率，进而确认是否仍需要继续调整该孤立森林模型对应的程度阈值或者是否需要继续训练该孤立森林模型。

当然，以上仅仅是判断是否达到训练结束条件的两种方式，在实际应用中还可以设定训练循环次数到达设定次数，则确认达到训练结束条件；还是有其他判断训练结束条件的可能，在此不再赘述。

S207，调整该待训练的孤立森林模型的内部参数以及该程度阈值，并返回步骤S202；

如基于该柱塞泵对应的异常单位时段确定出尚未满足该训练结束条件，则说明仍需要继续训练该孤立森林模型，在该种情况下，则可以结合实际情况，适当调整该孤立森林模型的内部参数，并调整当前设定的程度阈值，然后，按照调整内部参数后的孤立森林模型以及调整后的程度阈值，从新返回步骤202继续执行训练。

其中，该程度阈值可以由用户根据经验，同时结合当前该孤立森林模型的预测准确度来调整，以使得计算机获得调整后的程度阈值。当然，也可以是设定该程度阈值的调整规则，由计算机按照该调整规则不断调整该程度阈值。

S208，如基于该柱塞泵对应的异常单位时段确定出满足训练结束条件，则将当前训练得到的孤立森林模型作为训练出的孤立森林模型，并将当前设定的程度阈值作为训练出的孤立森林模型对应的异常阈值。

由图2所示的孤立森林模型的训练过程可知，在训练孤立森林模型的过程中，无需通过人工标注的方式进行异常判断，节省人力成本，同时避免了人工标注引起的人为误差。

可以理解的是，在训练出孤立森林模型之后，可以利用孤立森林模型对采集到的柱塞泵的运行状态数据进行分析，以最终检测出柱塞泵的运行状态异常。

在将训练出的孤立森林模型应用于对柱塞泵的运行状态进行异常检测之后，还可以基于柱塞泵的运行状态数据以及柱塞泵在每天或者每天不同时间段内的运行状态，具体的，可以利用柱塞泵在当前时刻之前最近的多份历史运行状态数据，训练该孤立森林模型，以优化所述孤立森林模型。如，在每天利用该孤立森林进行异常预测之前，可以先利用当前天之前最近的多份历史运行状态数据优化该孤立森林模型。

可以理解的是，由于当前时刻之前最近预设时间段内的多个历史状态数据更为贴合该柱塞泵最近时期的设备状态，因此，利用当前时刻之前最近采集到的多个历史状态数据不断优化孤立森林模型，有利于提高孤立森林模型的预测准确度。

其中，利用当前时刻之前最近多份历史运行状态数据重新训练孤立森林模型的过程与前面训练孤立森林模型的过程相同，只不过是所采用的数据样本发生了改变，在此不再赘述。

为了便于理解本申请的方案，下面以一种情况为例对本申请的柱塞泵异常检测方法进行介绍。如图3所示，其示出了本申请一种柱塞泵异常检测方法又一种流程示意图，本实施例的方法可以包括：

S301，获取当前时刻之前设定时长内采集到的柱塞泵的多份运行状态数据。

该柱塞泵的运行状态数据至少包括柱塞泵的泵体振动速度和轴承温度。

在实际应用中，为了能够及时分析出柱塞泵的运行状态数据，可以在每个时刻，获得当前时刻之前获得到的多份运行状态数据并执行后续的分析处理，以分析该当前时刻之前该设定时长内是否存在柱塞泵运行状态异常。当然，还可以设定异常检测周期，在基于异常检测周期确定当前到达异常检测时刻时，获取当前时刻之前指定时长内采集到的多份运行状态数据。

S302，将该多份运行状态数据输入到已训练出的孤立森林模型中，得到该孤立森林模型输出的每份运行状态数据对应的异常程度。

S303，确定该多份运行状态数据中的异常运行状态数据。

其中，该异常运行状态数据对应的异常程度高于异常阈值。

该异常阈值为训练该孤立森林模型的过程中确定出的，用于表征运行状态数据存在异常所需对应的最低异常程度。

S304，确定该多份运行状态数据中异常运行状态数据的第一数量，并计算出该第一数量与多份运行状态数据对应的第二数量的比值。

S305，如果该比值超过设定比值，确定该柱塞泵的运行状态存在异常。

如，设定比值可为百分之五十。

如果多份运行状态数据中异常状态数据的第一数量与该多份运行状态数据的第二数量的比值超过百分之五十，则说明柱塞泵中表征异常运行状态的异常状态数据的数量较多，在该种情况下，可以确定出柱塞泵存在运行状态异常的风险。

又一方面，本申请还提供了一种柱塞泵异常检测装置。如图4所示，其示出了本申请一种柱塞泵异常检测装置的一种组成结构示意图，该装置可以包括：

数据获得单元401，用于获得柱塞泵在待分析时段的多个时刻对应的多份运行状态数据；

孤立检测单元402，用于将该多份运行状态数据输入到已训练出的孤立森林模型中，得到该孤立森林模型输出的每份该运行状态数据对应的异常程度，该孤立森林模型为利用该柱塞泵的多份历史运行状态数据训练得到的；

异常数据确定单元403，用于确定该多份运行状态数据中的异常运行状态数据，该异常运行状态数据对应的异常程度高于异常阈值，该异常阈值为训练该孤立森林模型的过程中确定出的，用于表征运行状态数据存在异常所需对应的最低异常程度；

异常状态确定单元404，用于在该异常运行状态数据满足预设条件的情况下，确定该柱塞泵的运行状态存在异常。

在一种可能的情况中，该异常数据确定单元，具体为，用于在该异常运行状态数据的数量与该多份运行状态数据的数量的比值超过设定比值的情况下，确定该柱塞泵的运行状态存在异常。

在又一种可能的情况中，该数据获得单元，包括：

第一数据获得单元，用于获得柱塞泵在当前时刻之前设定时长内的多份运行状态数据；

或者，第二数据获得单元，用于从当前天采集到的该柱塞泵的运行状态数据中，获得最近采集到的设定数量份运行状态数据，其中，设定数量为大于1的自然数。

可选的，该装置还可以包括：提醒输出单元，用于在异常状态确定单元确定该柱塞泵的运行状态存在异常之后，输出该柱塞泵的异常提醒，该异常提醒用于提示该柱塞泵的运行状态存在异常。

在一种可能的情况中，本申请还包括模型训练单元，用于通过如下方式训练得到该孤立森林模型和该异常阈值：

获得该柱塞泵在不同历史时刻的多份历史运行状态数据；

将该多份历史运行状态数据输入待训练的孤立森林模型，得到该待训练的孤立森林模型输出的每份历史运行状态数据对应的异常程度；

确定该多份历史运行状态数据中的异常历史状态数据，该异常历史状态数据为对应的异常程度高于设定的程度阈值的历史运行状态数据；

按照设定的单位时段的时长，确定不同历史单位时段内包含的该异常历史状态数据；

将该异常历史状态数据满足设定条件的历史单位时段，确定为该柱塞泵存在运行异常的异常单位时段；

如基于该柱塞泵对应的异常单位时间段确定出尚未满足训练结束条件，则调整该待训练的孤立森林模型的内部参数以及该程度阈值，并返回执行该将该多份历史运行状态数据输入待训练的孤立森林模型的操作；

如基于该柱塞泵对应的异常单位时段确定出满足训练结束条件，则将当前训练得到的孤立森林模型作为训练出的孤立森林模型，并将当前设定的程度阈值作为训练出的孤立森林模型对应的异常阈值。

可选的，该模型训练单元在确定不同历史单位时段内包含的该异常历史状态数据时，具体为统计不同历史单位时段内该异常历史状态数据的占比；

该模型训练单元在将该异常历史状态数据满足该条件的历史单位时段确定为该柱塞泵存在运行异常的异常单位时段时，具体为将该异常历史状态数据的占比超过设定比值的历史单位时段，确定为该柱塞泵存在运行异常的异常单位时段。

所述柱塞泵异常检测装置包括处理器和存储器，上述数据获得单元、孤立检测单元、异常数据确定单元和异常状态确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

可选的，本申请的装置还可以包括：模型优化单元，用于在数据获得单元获得柱塞泵在待分析时段的多个时刻对应的多份运行状态数据之前，利用当前时刻之前最近的预设时间段内的多份历史运行状态数据，训练所述孤立森林模型，以优化所述孤立森林模型。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来对柱塞泵的运行状态数据进行分析，从而及时、高效的检测出柱塞泵的运行状态异常。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述柱塞泵异常检测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述柱塞泵异常检测方法。

本发明实施例提供了一种电子设备，如图5所示，该电子设备包括至少一个处理器501、以及与处理器501连接的至少一个存储器502、总线503；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的柱塞泵异常检测方法。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

获得柱塞泵在待分析时段的多个时刻对应的多份运行状态数据；

将所述多份运行状态数据输入到已训练出的孤立森林模型中，得到所述孤立森林模型输出的每份所述运行状态数据对应的异常程度，所述孤立森林模型为利用所述柱塞泵的多份历史运行状态数据训练得到的；

确定所述多份运行状态数据中的异常运行状态数据，所述异常运行状态数据对应的异常程度高于异常阈值，所述异常阈值为训练所述孤立森林模型的过程中确定出的，用于表征运行状态数据存在异常所需对应的最低异常程度；

在所述异常运行状态数据满足预设条件的情况下，确定所述柱塞泵的运行状态存在异常。

在一种可能的情况中，所述在所述异常运行状态数据满足预设条件的情况下，确定所述柱塞泵的运行状态存在异常，包括：

在所述异常运行状态数据的数量与所述多份运行状态数据的数量的比值超过设定比值的情况下，确定所述柱塞泵的运行状态存在异常。

在又一种可能的情况中，所述获得柱塞泵在不同时刻的多份运行状态数据包括：

获得柱塞泵在当前时刻之前设定时长内的多份运行状态数据；

或者，获得最近采集到柱塞泵的设定数量份运行状态数据，其中，设定数量为大于1的自然数。

在又一种可能的情况中，在确定所述柱塞泵的运行状态存在异常之后，还包括：

输出所述柱塞泵的异常提醒，所述异常提醒用于提示所述柱塞泵的运行状态存在异常。

在又一种可能的情况中，所述孤立森林模型和所述异常阈值通过如下方式训练得到：

获得所述柱塞泵在不同历史时刻的多份历史运行状态数据；

将所述多份历史运行状态数据输入待训练的孤立森林模型，得到所述待训练的孤立森林模型输出的每份历史运行状态数据对应的异常程度；

确定所述多份历史运行状态数据中的异常历史状态数据，所述异常历史状态数据为对应的异常程度高于设定的程度阈值的历史运行状态数据；

按照设定的单位时段的时长，确定不同历史单位时段内包含的所述异常历史状态数据；

将所述异常历史状态数据满足设定条件的历史单位时段，确定为所述柱塞泵存在运行异常的异常单位时段；

如基于所述柱塞泵对应的异常单位时间段确定出尚未满足训练结束条件，则调整所述待训练的孤立森林模型的内部参数以及所述程度阈值，并返回执行所述将所述多份历史运行状态数据输入待训练的孤立森林模型的操作；

如基于所述柱塞泵对应的异常单位时段确定出满足训练结束条件，则将当前训练得到的孤立森林模型作为训练出的孤立森林模型，并将当前设定的程度阈值作为训练出的孤立森林模型对应的异常阈值。

可选的，所述确定不同历史单位时段内包含的所述异常历史状态数据，包括：

统计不同历史单位时段内所述异常历史状态数据的占比；

所述将所述异常历史状态数据满足所述条件的历史单位时段确定为所述柱塞泵存在运行异常的异常单位时段，包括：

将所述异常历史状态数据的占比超过设定比值的历史单位时段，确定为所述柱塞泵存在运行异常的异常单位时段。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种柱塞泵异常检测方法，其特征在于，包括：

获得柱塞泵在待分析时段的多个时刻对应的多份运行状态数据；

将所述多份运行状态数据输入到已训练出的孤立森林模型中，得到所述孤立森林模型输出的每份所述运行状态数据对应的异常程度，所述孤立森林模型为利用所述柱塞泵的多份历史运行状态数据训练得到的；

确定所述多份运行状态数据中的异常运行状态数据，所述异常运行状态数据对应的异常程度高于异常阈值，所述异常阈值为训练所述孤立森林模型的过程中确定出的，用于表征运行状态数据存在异常所需对应的最低异常程度；

在所述异常运行状态数据满足预设条件的情况下，确定所述柱塞泵的运行状态存在异常。

2.根据权利要求1所述的方法，其特征在于，所述在所述异常运行状态数据满足预设条件的情况下，确定所述柱塞泵的运行状态存在异常，包括：

在所述异常运行状态数据的数量与所述多份运行状态数据的数量的比值超过设定比值的情况下，确定所述柱塞泵的运行状态存在异常。

3.根据权利要求1所述的方法，其特征在于，所述获得柱塞泵在不同时刻的多份运行状态数据包括：

获得柱塞泵在当前时刻之前设定时长内的多份运行状态数据；

或者，获得最近采集到所述柱塞泵的设定数量份运行状态数据，其中，设定数量为大于1的自然数。

4.根据权利要求1所述的方法，其特征在于，在确定所述柱塞泵的运行状态存在异常之后，还包括：

输出所述柱塞泵的异常提醒，所述异常提醒用于提示所述柱塞泵的运行状态存在异常。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述孤立森林模型和所述异常阈值通过如下方式训练得到：

获得所述柱塞泵在不同历史时刻的多份历史运行状态数据；

将所述多份历史运行状态数据输入待训练的孤立森林模型，得到所述待训练的孤立森林模型输出的每份历史运行状态数据对应的异常程度；

确定所述多份历史运行状态数据中的异常历史状态数据，所述异常历史状态数据为对应的异常程度高于设定的程度阈值的历史运行状态数据；

按照设定的单位时段的时长，确定不同历史单位时段内包含的所述异常历史状态数据；

将所述异常历史状态数据满足设定条件的历史单位时段，确定为所述柱塞泵存在运行异常的异常单位时段；

如基于所述柱塞泵对应的异常单位时段确定出尚未满足训练结束条件，则调整所述待训练的孤立森林模型的内部参数以及所述程度阈值，并返回执行所述将所述多份历史运行状态数据输入待训练的孤立森林模型的操作；

如基于所述柱塞泵对应的异常单位时段确定出满足训练结束条件，则将当前训练得到的孤立森林模型作为训练出的孤立森林模型，并将当前设定的程度阈值作为训练出的孤立森林模型对应的异常阈值。

6.根据权利要求5所述的方法，其特征在于，所述确定不同历史单位时段内包含的所述异常历史状态数据，包括：

统计不同历史单位时段内所述异常历史状态数据的占比；

所述将所述异常历史状态数据满足所述条件的历史单位时段确定为所述柱塞泵存在运行异常的异常单位时段，包括：

将所述异常历史状态数据的占比超过设定比值的历史单位时段，确定为所述柱塞泵存在运行异常的异常单位时段。

7.根据权利要求1所述的方法，其特征在于，在所述获得柱塞泵在待分析时段的多个时刻对应的多份运行状态数据之前，还包括：

利用当前时刻之前最近的预设时间段内的多份历史运行状态数据，训练所述孤立森林模型，以优化所述孤立森林模型。

8.一种柱塞泵异常检测装置，其特征在于，包括：

数据获得单元，用于获得柱塞泵在待分析时段的多个时刻对应的多份运行状态数据；

孤立检测单元，用于将所述多份运行状态数据输入到已训练出的孤立森林模型中，得到所述孤立森林模型输出的每份所述运行状态数据对应的异常程度，所述孤立森林模型为利用所述柱塞泵的多份历史运行状态数据训练得到的；

异常数据确定单元，用于确定所述多份运行状态数据中的异常运行状态数据，所述异常运行状态数据对应的异常程度高于异常阈值，所述异常阈值为训练所述孤立森林模型的过程中确定出的，用于表征运行状态数据存在异常所需对应的最低异常程度；

异常状态确定单元，用于在所述异常运行状态数据满足预设条件的情况下，确定所述柱塞泵的运行状态存在异常。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至7任意一项所述的柱塞泵异常检测方法。

10.一种电子设备，其特征在于，包括至少一个处理器、与处理器连接的至少一个存储器以及总线；

其中，所述处理器、所述存储器通过总线完成相互间的通信；

所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至7中任一项所述的柱塞泵异常检测方法。

Images