CN113656461B - 数据处理方法、装置、电子设备和介质 - Google Patents
数据处理方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113656461B CN113656461B CN202110945116.2A CN202110945116A CN113656461B CN 113656461 B CN113656461 B CN 113656461B CN 202110945116 A CN202110945116 A CN 202110945116A CN 113656461 B CN113656461 B CN 113656461B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- point data
- measurement point
- devices
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000004886 process control Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 9
- 238000004043 dyeing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000007639 printing Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012369 In process control Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000010965 in-process control Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102100040954 Ephrin-A1 Human genes 0.000 description 1
- 101000965523 Homo sapiens Ephrin-A1 Proteins 0.000 description 1
- 238000001278 Kwiatkowski–Phillips–Schmidt–Shin (KPSS) test Methods 0.000 description 1
- 238000003324 Six Sigma (6σ) Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010327 methods by industry Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000009999 singeing Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Abstract
本公开的实施例公开了一种数据处理方法、装置、电子设备以及存储介质。本公开涉及物联网、云计算、过程控制领域,并具体涉及用于过程控制的数据处理技术。本公开的实施例的方法包括:基于多个设备之间的关联信息确定多个设备中的多个关联设备;以及获取多个测点数据序列,其中每个测点数据序列分别对应于所述多个关联设备中一个关联设备;以及对用于所述多个关联设备的所述多个测点数据序列进行过程控制。利用本公开提供的实施例,能够在考虑设备之间关联性的情况下对关联设备的测点数据进行过程控制,从而提高过程控制中异常检测的精度和准确性。
Description
技术领域
本公开实施例涉及物联网、云计算、过程控制领域,具体涉及用于过程控制的数据处理方法、装置、电子设备以及存储介质。
背景技术
随着物联网和边缘计算技术发展,越来越多传统工业领域的企业开始向数字化、智能化转型,并开始探索自动化的生产设备监控和安全生产管理方案。为实现这些目的,通常会在生产装置或设备中安装边缘网关,并按需采集与设备相关联的测点数据。
发明内容
根据本公开示例性实施例的一个方面,提供了一种用于过程控制的数据处理方法,包括:基于多个设备之间的关联信息确定多个设备中的多个关联设备;以及获取多个测点数据序列,其中每个测点数据序列分别对应于所述多个关联设备中一个关联设备;以及对用于所述多个关联设备的所述多个测点数据序列进行过程控制。
根据本公开示例性实施例的另一个方面,提供了一种用于过程控制的数据处理装置,包括:关联确定单元,配置成基于多个设备之间的关联信息确定多个设备中的多个关联设备;测点数据获取单元,配置成获取多个测点数据序列,其中每个测点数据序列分别对应于所述多个关联设备中一个关联设备;以及过程控制单元,配置成对用于所述多个关联设备的所述多个测点数据序列进行过程控制。
根据本公开示例性实施例的另一个方面,提供了一种电子设备。该电子设备包括:处理器以及存储程序的存储器。程序包括指令,指令在由处理器执行时使处理器执行根据本公开一些示例性实施例的方法。
根据本公开示例性实施例的另一个方面,提供了一种存储程序的计算机可读存储介质。程序包括指令,指令在由电子设备的处理器执行时,致使处理器执行根据本公开一些示例性实施例的方法。
根据本公开示例性实施例的另一个方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据本公开一些示例性实施例的方法。
借助于本公开示例性实施例的用于过程控制的数据处理方法、装置、电子设备以及存储介质,能够在考虑设备之间关联性的情况下对关联设备的测点数据进行过程控制,从而提高过程控制中异常检测的精度和准确性。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的元素:
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的数据处理方法的示例性的流程图;
图3示出了根据本公开的实施例的应用场景的示意图;
图4示出了根据本公开的实施例的数据处理装置的示例性框图;以及
图5示出了根据本公开示例性实施例的示例计算设备的示意性框图。
具体实施方式
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在相关技术的用于工业系统的过程控制的实现中,在不同设备处采集的数据是单独进行监控和处理的。因此,相关技术中采用单变量的模型对各个设备处采集的数据进行处理。
在印染行业中,一块布料的生产可能需要经过蒸箱、烧毛机、冷堆机、染色机、定型箱、烘焙、印花拉幅和预缩等甚至更多工艺流程,由于工艺流程的繁琐和长周期,布料生产产线也通常被称作染色长车,根据工艺流程大类分类,包含固色、染色、静置等,则长车可相应地再分为前车、中车、后车。长车中所涉及装置可能有10台甚至更多,每台装置至少有一种能耗,每种能耗至少有瞬时用量这一个测点。通常情况下,长车流程中至少安装数十台网关,共检测上百个测点的时序数据,复杂工艺的话,则可能涉及更多。工业企业厂区级的网关数的话可能成百上千,测点数可能达到更高的数量级。同理,电力行业的配网也会有类似规律,不过印染情景的随机性和复杂度可能更高,从数据智能的角度看,是更有建模和优化难度的。
由于工业生产过程的时序特征以及生产线中不同设备的之间的关联性,各个设备处采集的数据是具有自相关性的时序数据,并且不同设备处采集的数据之间具有互相关性。而相关技术的过程控制没有考虑设备之间的关联性以及各个设备的测点数据的时序特性。在例如印染行业这样的流程型工艺场景中,存在对生产流程进行整体监控和调整的需要,因此,本公开提供了一种在过程控制分析中考虑生产流程中不同设备之间的关联性的方法。
为了解决上述问题,本公开提供了一种新的用于过程控制的数据处理方法,提供了针对工业生产过程中具有关联性的设备处生成的数据的过程控制方法。
以下结合附图对本公开的实施例进行进一步描述。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个边缘网关101、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。边缘网关101可以安装在工业系统的设备处,并用于采集与相应设备相关联的数据。
在本公开的实施例中,可以使用边缘网关101的处理单元运行根据本公开的实施例的数据处理方法,也可以将边缘网关采集的数据经由网络110发送到服务器120,并由服务器120运行根据本公开的实施例的数据处理方法。在一些实施例中,服务器120可以实现为云端服务器。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给边缘网关101。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作边缘网关101的用户可以依次利用一个或多个应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
边缘网关还可以提供使用户能够与边缘网关进行交互的接口。边缘网关还可以经由该接口向用户输出信息。本领域技术人员将能够理解,本公开可以支持任何数量的边缘网关。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从边缘网关101接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由边缘网关101的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储边缘网关所采集的与设备相关联的数据。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库可以是例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的数据处理方法的示例性的流程图。可以利用图1中示出的边缘网关101或服务器120来执行图2中描述的方法200。
如图2所示,在步骤S202中,可以基于多个设备之间的关联信息确定多个设备中的多个关联设备。在步骤S204中,可以获取多个测点数据序列,其中每个测点数据序列分别对应于多个关联设备中一个关联设备。在步骤S206中,可以对用于所述多个关联设备的所述多个测点数据序列进行过程控制。
利用图2中提供的方法200,可以基于设备之间的关联信息确定工业系统中具有关联性的多个关联设备,并可以在考虑设备之间关联性的情况下对关联设备的测点数据进行过程控制。由此,可以对单变量的过程控制方法进行改进。通过对具有关联性的测点数据进行过程控制,可以提高过程控制中异常检测的精度和准确性。
以下将具体描述本公开的实施例的原理。
在步骤S202中,可以基于多个设备之间的关联信息确定多个设备中的多个关联设备。
工业生产过程中涉及的设备可以属于同一个生产过程。例如,各个设备可以位于同一条生产线上(或同一个工业厂区内)。对于工业生产过程中涉及的任一设备,其运行情况和与其位于同一生产过程的其他设备的运行情况可能是相关联的。
在一些实施例中,可以基于反映工业生产过程的现场设计原理的理论拓扑图来确定设备之间的关联信息。关联信息可以包括设备之间的管网拓扑关系和管网属性中的至少一项。管网拓扑关系和管网属性能够体现设备在工业生产过程中的关联性。管网拓扑关系可以包括不同设备之间存在的空间关系,如连接或继承关系。管网属性可以包括管网类型、材质、粗细、形状(如直道、弯道等)。可以理解的是,在管网拓扑关系相同(如设备之间的连接关系相同)的情况下,管网属性的不同也将导致设备之间的空间关联属性发生变化。在另一些实施例中,也可以基于数据驱动的原理确定设备之间的关联信息。例如,可以基于在不同设备处采集的测点数据序列之间的相关性来确定关联设备之间的关联性的大小。
在步骤S204中,可以获取多个测点数据序列,其中每个测点数据序列分别对应于多个关联设备中一个关联设备。
在一些实施例中,可以通过安装在工业生产系统中各个设备处的边缘网关采集设备的测点数据。其中,边缘网关采集的测点数据可以包括以下各项中的至少一项:设备运行参数、设备生产用能以及产品品质数据。例如,设备运行参数可以包括设备的工作电流、电压、电机运转速度等,运行参数还可以包括生产原料的配比信息。设备生产用能可以包括设备运行时指定位置处使用的液体或气体(如水、电、燃气、蒸汽、酸碱化学药剂等)的压力、温度、流量等。产品品质数据可以包括指示设备所生产的产品的质量特性(如合格率)的数据,如产品的颜色、材质、纹路等。
通过利用各个设备处的边缘网关以预定的频率采集对应的测点数据,可以获取各个设备处的测点数据序列,其中每个设备的测点数据序列是一组能够表示该设备的测点数据在时间上的变化的时序数据序列。
在步骤S206中,可以对步骤S204中获取的多个测点数据序列进行过程控制.通过过程控制的方法可以监测各个设备的测点数据的变化,从而得到用于工业生产过程中涉及的设备的异常检测结果。例如,当检测到设备的测点数据序列中出现与正常数据的偏差大于预定偏差阈值的测点数据时,可以认为设备的运转出现了异常。
在一些实施例中,步骤S206可以包括基于测点数据序列之间的关联性对各个设备的测点数据序列进行预处理,并对预处理后的测点数据序列进行过程控制。
在一些实现方式中,可以对步骤S204中获取的多个测点数据序列进行数据对齐,并对经对齐的测点数据序列进行过程控制。
由于各个设备的测点数据序列是利用安装在各个设备处的边缘网关采集的,由于不同设备的工作状态以及运行持续时间等参数的不同,可能会导致各个测点数据序列的数据在时间轴上不是准确对齐的。例如,由于网络不稳定、突发停电、人为因素等影响,某些设备的测点数据序列在某些时间点上可能存在数据缺失。又例如,由于边缘网关的采集频率和时间基准不同,不同设备的测点数据序列的在标准时间轴上可能存在偏移。为了利用各个测点数据序列之间的关联性来进行过程控制,需要对数据进行预处理使得各个测点数据序列对齐。利用经对齐的测点数据进行数据分析和数学建模可以有效提高数学模型的精度和可靠性。
在一些示例中,可以通过对数据序列中的缺失数据点进行预测来对多个测点数据序列进行数据对齐。对于多个测点数据序列中的每个测点数据序列,可以确定与该测点数据序列具有关联性的参考数据序列,并利用参考数据序列确定用于该测点数据序列中的缺失数据点的预测数据。缺失数据点可能是由于网络不稳定、突发故障(如停电)或设备的采集频率低于其他设备而导致的。
可以基于测点数据序列之间的互相关性来确定测点数据序列之间的关联性,从而确定与特定测点数据序列具有关联性的参考数据序列。例如,可以基于设备之间的空间拓扑关系确定与设备具有较强关联性的强关联设备,并将强关联设备的测点数据序列确定为参考数据序列。又例如,也可以计算历史数据中两个设备的测点数据序列之间的互相关参数,并将具有大于互相关阈值的互相关系数的测点数据序列确定为参考数据序列。
在一些示例中,可以通过以下步骤确定测点数据序列之间的关联性:对于多个测点数据序列中的第一测点数据序列和第二测点数据序列,可以确定第一测点数据序列与第二测点数据序列之间的互相关参数;响应于确定互相关参数大于互相关阈值,确定第一测点数据序列和第二测点数据序列之间具有关联性。例如,可以基于对第一测点数据序列和第二测点数据序列进行互相关运算以确定第一测点数据序列和第二测点数据序列之间的互相关系数作为互相关参数。又例如,可以确定第一测点数据序列和第二测点数据序列之间的Gnanadesikan-Kettenring系数作为第一测点数据序列和第二测点数据序列之间的互相关参数。再例如,可以利用第一测点数据序列和第二测点数据序列的子序列片段(Shapelet)时序形态来确定第一测点数据序列和第二测点数据序列之间的互相关参数。示例性地,可以确定用于第一测点数据序列的至少一个第一子序列片段和用于第二测点数据序列的至少一个第二子序列片段。例如,可以通过深度游走(DeepWalk)方法将第一测点数据序列划分成至少一个第一子序列片段,将第二测点数据序列划分成至少一个第二子序列片段,其中,第一子序列片段可以表示第一测点数据序列的特征,第二子序列片段可以表示第二测点数据序列的特征。基于上述子序列片段,可以确定包含至少一个第一子序列片段的第一标签序列以表征第一测点数据序列,可以确定包含至少一个第二子序列片段的第二标签序列以表征第二测点数据序列。其中第一标签序列和第二标签序列是分别由至少一个第一子序列片段和至少一个第二子序列片段形成的有向序列。第一标签序列可以表示第一测点数据序列的转化过程,第二标签序列可医表示第二测点数据序列的转化过程。通过对第一标签序列和第二标签序列进行互相关运算可以得确定第一标签序列和第二标签序列的互相关系数作为第一测点数据序列和第二测点数据序列之间的互相关参数。
基于参考数据序列中的测点数据的值可以对缺失数据点进行预测。例如,可以利用多重插补的算法对待预测的测点数据序列和参考数据序列进行处理,以得到缺失数据点的预测结果。又例如,还可以利用基于强关联设备的数据的历史数据而拟合的预测模型对缺失数据点进行预测。预测模型可以是多变量时序预测模型(如向量自回归模型(VectorAutoregression,VAR))、融合模型(如检测偏移单元(Detecting deviating cells,DDC))等。
在利用参考数据序列确定基于参考数据序列的预测数据后,如果缺失数据点的测点数据序列的历史数据具有较好的平稳性,可以进一步利用单变量插补的方法对基于参考数据序列的预测数据进行修正。单变量插补的方法指的是利用具有缺失数据点的测点数据序列中的数据对缺失数据点进行预测。例如,可以利用缺失数据点相邻的多个数据的均值、中位数、极大值、极小值、分位数、全零、全一等统计量确定用于该缺失数据点的单变量预测数据。可以通过确定单变量预测数据和基于参考数据序列确定的预测数据的均值或中位值来得到预测数据的修正结果,并可以将修正结果作为用于缺失数据点的预测数据。可以基于测点数据序列的平稳性和预测模型对于历史数据的插补精度来选择性地使用单变量预测数据进行插补。如果缺失数据点的测点数据序列的历史数据的平稳性较差,则可以直接将基于参考数据序列的预测数据确定为缺失数据点的数据。
还可以基于关联设备之间的关联信息确定上述关联性。例如,基于设备之间的管网连接关系确定两个设备之间的数据具有关联性,并将其中一个设备的测点数据序列确定为另一个数据的测点数据序列的参考考数据序列。
在另一些示例中,可以基于各个测点数据序列的采集时间对多个测点数据序列进行时间对齐来进行数据对齐。
例如,对于校准时间出现偏差的测点数据序列,可以将该测点数据序列中的测点数据的在时间轴上进行偏移,以校准测点数据序列中的时间偏差。
在对通过边缘网关采集的测点数据序列进行预处理(即数据对齐)后,可以对经对齐的多个测点数据序列进行过程控制。
在一些实施例中,可以对经对齐的测点数据序列进行过程控制,以确定是否存在异常。利用过程控制算法(过程控制算子)可以检测到设备运行过程是否存在异常。其中,过程控制算子可以采用改进的六西格玛方法(如拟合时序模型)或采用稳健时序控制限实现。
传统的多变量控制方法是基于各个变量的数据是独立同(正态)分布的假设而进行的。在变量之间具有关联性的情况下,在过程控制中应当采用椭圆控制限来进行离群点的检测。而在传统的过程控制方法中,在不考虑变量之间相关性的情况下,离群点控制点是比椭圆控制限更大的矩形控制限,这将导致离群点的漏报和误报。此外,由于根据本公开的实施例所采集的测点数据序列中的数据点属于时序数据,测点数据序列中的数据也具有自相关性,因此,在对经对齐的测点数据序列进行过程控制时需要消除变量之间的自相关性和互相关性带来的影响。
在一些实现方式中,对经对齐的测点数据序列进行过程控制可以包括利用经对齐的测点数据序列拟合多变量时序预测模型,并对拟合得到的多变量时序预测模型的剩余残差进行多变量过程控制。通过在拟合多变量时序预测模型时使得模型的剩余残差是独立同分布的白噪声,可以去除被拟合的测点数据序列的自相关性。进一步地,通过对多变量时序预测模型的剩余残差进行多变量过程控制,可以在检测离群点时考虑多变量之间的互相关性,从而避免由于控制限过大而造成误报和漏报。
在另一些实现方式中,可以利用多元指数加权移动平均(MEWMA)算法对经对齐的测点数据序列进行过程控制。由于MEWMA算法是针对时序数据进行改进的多变量过控控制算法,因此能够对根据本公开的实施例的具有互相关性的多变量时序数据具有较好的过程控制效果。
在一些实施例中,步骤S206中的过程控制还包括:对经对齐的测点数据序列进行变点识别,以确定变点类型,并结合关联信息和变点类型识别所述异常的类型。
变点识别的结果可以用于异常诊断,以判断过程控制中检测到的异常失控的类型。变点识别得到的变点类型包括:离散型(additive outlier,AO)、连续型(innovationaloutlier,IO)、漂移型(level shift,LS)等。其中LS型变点指示机器运行不满足平稳性,对应的可能是机器预热或停机的过程、或者工况变动。AO型变点指示机器运行存在个别波动,不影响整体工况。IO型变点指示机器运行出现异常并需要对该异常进行排查。
可以通过对经对齐的测点数据序列进行单变量的变点识别,并结合多个关联设备之间的关联信息确定设备运行存在的异常所属的类型。结合关联信息可以识别通过单变量的变点识别无法识别到的设备运行异常。例如,当某一设备的运行参数指示该设备正在运转,而基于关联信息确定的该设备的关联设备的能耗数据没有变化(如全零)时,可以认为该设备正在空转而没有正常生产。这样的异常是通过单变量的变点识别(如针对运转数据的变点识别或针对能耗数据的变点识别)无法检测到的。
在另一些实施例中,除了利用过程控制算子和变点识别方法对经对齐的测点数据序列进行处理外,还可以计算各个经对齐的测点数据序列的平稳性、周期性、长期趋势、短期波动性、自相关性、互相关、水平漂移,以考虑序列的时许依赖关系。其中,平稳性可以通过单位根检验(如ADF检验或KPSS检验)衡量,周期性和长期趋势可以通过时序成分拆解获得,短期波动性可以通过滑窗的方差或稳健方差求得,自相关性可以通过自相关系数和偏自相关系数获得,水平漂移可以通过滑窗的均值或稳健均值求得,互相关可以通过相关系数、时间滞后互相关系数、或动态时间规整系数求得。互相关也可以通过上文中描述的确定第一测点数据序列和第二测点数据序列之间的互相关系数来确定。
在一些实施例中,方法200还可以包括基于步骤S204中获取的多个测点数据序列对多个关联设备的未来运行状况进行预测。
在一些实施例中,可以利用多个关联设备的历史测点数据集训练预测模型,并可以通过运行训练好的预测模型得到用于多个关联设备的预测数据。其中,预测数据可以指示多个关联设备在未来运行中是否存在异常。在一些实现方式中,预测模型可以包括多变量时序预测模型和基于图神经网络的模型中的至少一种。
多变量时序预测模型可以是向量自回归(Vector Autoregressive,VAR)模型、向量自回归移动平均值(Vector Auto Regression Moving Average,VARMA)模型、向量自回归X(Vector AutoregressiveX,VARX)模型、高斯过程(Gaussian Process,GP)模型、基于深度学习的长短期记忆网络(Long Short-Term Memory,LSTM)、双向长短期记忆网络(Bi-Long Short-Term Memory,Bi-LSTM)、门循环单元(Gate Recurrent Unit,GRU)、双向门循环单元(Bi-Gate Recurrent Unit,Bi-GRU)等。也可以融合用于学习数据序列的时间依赖的循环神经网络(Recurrent Neural Network,RNN)和用于学习数据序列之间的空间依赖的卷积神经网络(Convolutional Neural Network,CNN)作为多变量时序预测模型。在利用时序预测模型进行预测时,可以采用时序交叉验证方法来避免使用未来数据推断历史状况。
基于图神经网络的模型可以包括图神经网络(Graph Neural Network,GNN)模型、多变量时序预测GNN(Multivariate Time Series Forecasting with Graph NeuralNetworks,MTGNN)模型、时空图卷积网络(Spatial Temporal Graph ConvolutionNetwork,STGCN)模型、时空图模型Graph Wavenet、图多注意力网络(Graph Multi-Attention Network,GMAN)等。基于图神经网络的模型可以学习多个关联设备的图结构和时间序列,并在端对端框架中实现。利用图论中的拓扑结构,可以在不考虑关联设备之间的全连接的情况下,采用图中的节点表示设备(的测点),节点之间的边表示设备之间的关联属性。例如,可以关联设备之间的管网类型、距离等参数给节点之间的边赋予不同的权重。由于图的大小是任意的,拓扑结构复杂,没有固定的节点顺序,且通常是动态图,这使得利用基于图神经网络进行预测时比利用卷积神经网络更灵活,又比循环神经网络考虑更多的空间拓扑信息。
在一些示例中,可以利用基于图神经网络的模型在考虑关联设备之间的关联关系的情况下识别设备运转的异常。例如,可以MTGNN模型识别居民窃电行为。其中,MTGNN的图结构中的每个节点可以表示一户居民的用电量序列,节点之间的边表示各户之间的关联。例如,节点之间的边的属性可以指示位于同一分支下的居民户、具有相似用户画像的居民户(如上班族、退休等)。通过历史数据的训练,MTGNN模型可以学习居民用电结构中是否存在非正常用电(如窃电)现象。例如,当存在某用户用电量平稳但数值很低的时候,就可能是窃电行为,这会反映在其行为习惯或用户画像上,改变了图结构中与其他居民的相关性,由此MTGNN模型的预测结果也会倾向标记为非正常用电行为。利用训练好的MTGNN模型,可以将当前的居民用电图结构输入并得到指示是否存在非正常用电情况的输出。
在一些实施例中,工业应用场景中的各个关联设备的测点数据应当满足该场景下的工作机理。其中工作机理是基于关联设备之间的关联关系确定的。以配电网为例,各级电网分支都是有着严格继承关系的,电压、电流、有功功率和功率因数都因此有限制区间。例如,任一分支下接的所有电表电流之和不得超过分支总电流,有功之和不得超过分支总功率,同时段的电流和电压的波动性、趋势、尖峰平谷等特征应相似,实际有功与理论有功的差异率不得超过5%等。以印染场景为例,蒸汽烘箱中的蒸汽压力、蒸汽温度、滚轴转速等都有理论区间,在工艺参数监控和调优中应对所有测点同步进行,各个测点参数在理论区间内并在合理组合下,才能印染出品质合格的布匹。
因此,可以结合多个关联设备的工作机理来构建预测模型。在一些实现方式中,可以利用关联设备的工作机理来检验预测模型输出的结果(或中间数据)是否满足场景需求,从而可以对建模过程进行调整。也可以利用关联设备的工作机理来检验预测模型输出的针对关联设备的预测结果是否指示关联设备工作正常。除了利用数据驱动的方法(如过程控制算法)检测预测结果中是否存在异常,还可以利用设备工作机理检验预测结果包含的各个设备的数据是否符合关联设备之间工作机理。
利用预测模型的预测结果,可以对工业生产过程进行风险评估,即根据数据的时序特征分析和预测结果进行实时预警。还可以利用预测结果实现工况的自动识别和拆解,如将工况拆解为稳定生产状态、机器预热状态等。此外,还可以通过数据智能模型获取关联设备之间的时空关联性的更多信息,以便于后续的设备维护和工艺优化。
图3示出了根据本公开的实施例的应用场景的示意图。
如图3所示,在框301中,可以确定设备的测点数据。如前所述,设备的测点数据可以包括设备运行参数、设备生产用能以及产品品质数据。
在框302中,可以确定设备之间的关联信息。可以基于关联信息确定多个关联设备,其中,各个关联设备处的测点数据具有一定的关联性。
在框310中,可以基于设备之间的关联信息对设备的测点数据进行处理,以实现针对设备的过程控制。
在框311中,可以基于对关联设备的多个测点数据序列进行数据对齐(包括时间对齐和缺失数据补齐等),以完成针对测点数据序列的预处理。
在框312中,可以对计算用于各个测点数据序列的平稳性、周期性、长期趋势、短期波动性、自相关性、互相关、水平漂移、变点识别、过控算子中的至少一个,以检测当前获取的测点数据中是否存在异常过程。在一些实施例中,如前所述,还可以结合关联信息判断设备是否正常运转,例如,通过判断具有关联性的两个测点数据序列(设备运行参数和能耗数据)是否具有应有的相关性来判断设备是否正常运转。
在框313中,可以对关联设备的数据进行预测。可以利用上文中描述的各种预测模型对关联设备的运行进行预测。可以利用时序预测模型衡量数据在时间维度上的相互依赖关系,利用基于图神经网络的模型衡量关联设备之间的空间拓扑关系,利用关联设备的工作机理衡量具体场景中的数据规范。通过结合使用时序预测模型、基于图神经网络的模型以及关联设备的工作机理,可以在考虑实际场景的工作机理的情况下同时捕获测点数据在时间维度和空间维度上的依赖特征。
在一些示例中,在计算资源充足的情况下,可以对全量数据进行框311~框313的计算。在另一些示例中,为了节省计算资源,也可以通过滚动滑窗或滑窗的方式进行框311~框313的计算,其中,滚动滑窗的窗口大小大于滑动步幅,而滑窗的窗口大小等于滑动步幅。在又一些示例中,也可以基于预定的时间周期进行计算,如每日。
图4示出了根据本公开的实施例的用于过程控制的数据处理装置的示例性框图。
如图4所示,数据处理装置400可以包括关联确定单元410、测点数据获取单元420以及过程控制单元430。
关联确定单元410可以配置成基于多个设备之间的关联信息确定多个设备中的多个关联设备。测点数据获取单元420可以配置成获取多个测点数据序列,其中每个测点数据序列分别对应于多个关联设备中一个关联设备。过程控制单元430可以配置成对用于多个关联设备的多个测点数据序列进行过程控制。
这里所说的数据处理装置400的上述各单元410~430的操作分别与前面描述的步骤S202~S206的操作类似,在此不再加以赘述。
根据本公开的实施例,还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行结合图2所述的方法。
根据本公开的实施例,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行结合图2所述的方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现结合图2所述的方法。
参考图5,现将描述可以作为本公开的服务器或边缘网关的电子设备500的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备,输入单元506可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如根据本公开的实施例的数据处理方法。例如,在一些实施例中,根据本公开的实施例的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开的实施例的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (16)
1.一种用于过程控制的数据处理方法,包括:
基于多个设备之间的关联信息确定多个设备中的多个关联设备;以及
获取多个测点数据序列,其中每个测点数据序列分别对应于所述多个关联设备中一个关联设备;
对所述多个测点数据序列进行数据对齐;以及
对经对齐的测点数据序列进行过程控制,所述过程控制用于对所述多个关联设备的测点数据进行异常检测,
其中,对所述多个测点数据序列进行数据对齐包括:对于所述多个测点数据序列中的每个测点数据序列,确定与该测点数据序列具有关联性的参考数据序列,以及利用所述参考数据序列确定用于该测点数据序列中的缺失数据点的预测数据。
2.如权利要求1所述的数据处理方法,其中,所述关联信息包括所述多个设备之间的管网拓扑关系和管网属性中的至少一项。
3.如权利要求1所述的数据处理方法,其中,对所述多个测点数据序列进行数据对齐还包括:
基于各个测点数据序列的采集时间,对所述多个测点数据序列进行时间对齐。
4.如权利要求1所述的数据处理方法,其中,所述关联性通过以下步骤确定:
对于所述多个测点数据序列中的第一测点数据序列和第二测点数据序列,
确定所述第一测点数据序列与所述第二测点数据序列之间的互相关参数;
响应于确定所述互相关参数大于互相关阈值,确定所述第一测点数据序列和所述第二测点数据序列之间具有关联性。
5.如权利要求4所述的数据处理方法,其中,确定所述第一测点数据序列与所述第二测点数据序列之间的互相关参数包括:
确定所述第一测点数据序列与所述第二测点数据序列之间的Gnanadesikan-Kettenring系数作为所述互相关参数。
6.如权利要求4所述的数据处理方法,其中,确定所述第一测点数据序列与所述第二测点数据序列之间的互相关参数包括:
确定用于所述第一测点数据序列的至少一个第一子序列片段和用于所述第二测点数据序列的至少一个第二子序列片段;
确定包含所述至少一个第一子序列片段的第一标签序列和包含所述至少一个第二子序列片段的第二标签序列;以及
确定所述第一标签序列和所述第二标签序列的互相关系数作为所述互相关参数。
7.如权利要求1所述的数据处理方法,其中,所述关联性是基于所述关联信息确定的。
8.如权利要求1所述的数据处理方法,其中,对经对齐的测点数据序列进行过程控制包括:
利用经对齐的测点数据序列拟合多变量时序预测模型;以及
对所述多变量时序预测模型的剩余残差进行多变量过程控制。
9.如权利要求1所述的数据处理方法,其中,对经对齐的测点数据序列进行过程控制包括:
利用多元指数加权移动平均算法对所述经对齐的测点数据序列进行过程控制。
10.如权利要求1所述的数据处理方法,其中,对经对齐的测点数据序列进行过程控制还包括:
对经对齐的测点数据序列进行变点识别,以确定变点类型;
结合所述关联信息和所述变点类型识别所述异常的类型。
11.如权利要求1所述的数据处理方法,还包括:
利用所述多个关联设备的历史测点数据集训练预测模型,以及
运行所述预测模型得到用于所述多个关联设备的预测数据。
12.如权利要求11所述的数据处理方法,其中所述预测模型包括多变量时序预测模型和基于图神经网络的模型中的至少一种。
13.如权利要求11所述的数据处理方法,其中,结合所述多个关联设备的工作机理构建所述预测模型。
14.一种用于过程控制的数据处理装置,包括:
关联确定单元,配置成基于多个设备之间的关联信息确定多个设备中的多个关联设备;
测点数据获取单元,配置成获取多个测点数据序列,其中每个测点数据序列分别对应于所述多个关联设备中一个关联设备;以及
过程控制单元,配置成对所述多个测点数据序列进行数据对齐,以及对经对齐的测点数据序列进行过程控制,所述过程控制用于对所述多个关联设备的测点数据进行异常检测,
其中,对所述多个测点数据序列进行数据对齐包括:对于所述多个测点数据序列中的每个测点数据序列,确定与该测点数据序列具有关联性的参考数据序列,以及利用所述参考数据序列确定用于该测点数据序列中的缺失数据点的预测数据。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-13中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945116.2A CN113656461B (zh) | 2021-08-17 | 2021-08-17 | 数据处理方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945116.2A CN113656461B (zh) | 2021-08-17 | 2021-08-17 | 数据处理方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113656461A CN113656461A (zh) | 2021-11-16 |
CN113656461B true CN113656461B (zh) | 2024-03-19 |
Family
ID=78480712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110945116.2A Active CN113656461B (zh) | 2021-08-17 | 2021-08-17 | 数据处理方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113656461B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022369A (zh) * | 2022-06-09 | 2022-09-06 | 上海睿途新材料科技有限公司 | 转移镀铝纸的生产线物联系统及其物联通信方法 |
CN115271929A (zh) * | 2022-08-17 | 2022-11-01 | 深圳前海微众银行股份有限公司 | 数据异常检测方法、装置、设备、介质及程序产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322086A (zh) * | 2005-12-05 | 2008-12-10 | 费舍-柔斯芒特系统股份有限公司 | 用于过程设备的自诊断过程控制环路 |
CN108776831A (zh) * | 2018-05-15 | 2018-11-09 | 中南大学 | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 |
CN110188095A (zh) * | 2019-06-03 | 2019-08-30 | 东北电力大学 | 一种基于关联规则的电网设备数据流清洗方法 |
CN111767930A (zh) * | 2019-04-01 | 2020-10-13 | 北京百度网讯科技有限公司 | 物联网时序数据异常检测方法及其相关设备 |
CN112329847A (zh) * | 2020-11-03 | 2021-02-05 | 北京神州泰岳软件股份有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN112766342A (zh) * | 2021-01-12 | 2021-05-07 | 安徽容知日新科技股份有限公司 | 一种电气设备的异常检测方法 |
CN113225089A (zh) * | 2021-04-23 | 2021-08-06 | 西安交通大学 | 一种工业机器人多通道监测数据压缩方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103939749B (zh) * | 2014-04-28 | 2016-08-24 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
-
2021
- 2021-08-17 CN CN202110945116.2A patent/CN113656461B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322086A (zh) * | 2005-12-05 | 2008-12-10 | 费舍-柔斯芒特系统股份有限公司 | 用于过程设备的自诊断过程控制环路 |
CN108776831A (zh) * | 2018-05-15 | 2018-11-09 | 中南大学 | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 |
CN111767930A (zh) * | 2019-04-01 | 2020-10-13 | 北京百度网讯科技有限公司 | 物联网时序数据异常检测方法及其相关设备 |
CN110188095A (zh) * | 2019-06-03 | 2019-08-30 | 东北电力大学 | 一种基于关联规则的电网设备数据流清洗方法 |
CN112329847A (zh) * | 2020-11-03 | 2021-02-05 | 北京神州泰岳软件股份有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN112766342A (zh) * | 2021-01-12 | 2021-05-07 | 安徽容知日新科技股份有限公司 | 一种电气设备的异常检测方法 |
CN113225089A (zh) * | 2021-04-23 | 2021-08-06 | 西安交通大学 | 一种工业机器人多通道监测数据压缩方法及系统 |
Non-Patent Citations (1)
Title |
---|
功率信息互相关法的刀具破损在线监测;贺晓辉;鄢萍;张佳毅;刘飞;;重庆大学学报(第09期);第11-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113656461A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Helbing et al. | Deep Learning for fault detection in wind turbines | |
JP7260591B2 (ja) | k近傍およびロジスティック回帰アプローチを用いた時系列異常検出、異常分類、ならびに遷移分析 | |
US10902368B2 (en) | Intelligent decision synchronization in real time for both discrete and continuous process industries | |
Yu et al. | Recursive exponential slow feature analysis for fine-scale adaptive processes monitoring with comprehensive operation status identification | |
CN113656461B (zh) | 数据处理方法、装置、电子设备和介质 | |
US11494661B2 (en) | Intelligent time-series analytic engine | |
JP2023017888A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
Yang et al. | Bayesian Belief Network-based approach for diagnostics and prognostics of semiconductor manufacturing systems | |
US20140336966A1 (en) | Method and apparatus to automatically create virtual sensors with templates | |
US10303148B2 (en) | Automatic compression algorithm selection and parameter tuning based on contextual knowledge | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
US11775375B2 (en) | Automated incident detection and root cause analysis | |
WO2019234810A1 (ja) | 学習装置、推論装置、方法、及びプログラム | |
CN116665130B (zh) | 基于时空图的大坝安全监测多元时间序列异常检测方法 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
Ringsquandl et al. | Semantic-guided feature selection for industrial automation systems | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN116224137A (zh) | 一种ups设备故障预警方法及系统 | |
KR20210092310A (ko) | 고도로 공선적인 응답 공간에서의 처방적 분석 | |
CN115617606A (zh) | 设备监测方法和系统、电子设备、存储介质 | |
US20090282296A1 (en) | Multivariate fault detection improvement for electronic device manufacturing | |
CN114861522A (zh) | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 | |
Pagano | A predictive maintenance model using long short-term memory neural networks and Bayesian inference | |
CN114626562A (zh) | 大型公共建筑设备运行状态智能监测方法及系统 | |
Liu et al. | Fault diagnosis for TE process using RBF neural network |
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 |