CN113673600B - 一种工业信号异常预警方法、系统、存储介质及计算设备 - Google Patents
一种工业信号异常预警方法、系统、存储介质及计算设备 Download PDFInfo
- Publication number
- CN113673600B CN113673600B CN202110966838.6A CN202110966838A CN113673600B CN 113673600 B CN113673600 B CN 113673600B CN 202110966838 A CN202110966838 A CN 202110966838A CN 113673600 B CN113673600 B CN 113673600B
- Authority
- CN
- China
- Prior art keywords
- test
- matrix
- process memory
- training
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 122
- 230000005856 abnormality Effects 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 125
- 239000011159 matrix material Substances 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 74
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 23
- 230000036541 health Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 14
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及一种工业信号异常预警方法、系统、存储介质及计算设备,其包括:获取历史数据作为样本数据集;对样本集数据集进行预处理,获取结构化可分析的数据集;将数据集划分为训练集和测试集,根据训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建测试集与第一过程记忆矩阵之间的第一相似度模型;采用第一相似度模型对测试集进行预测,得到测试集预测值与实际值之间的差值,即测试残差;对测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障。本发明能有效识别监测信号异常,实现早期预警,提高工业设备管理水平、降低设备运维成本;可广泛应用于预测性维护领域。
Description
技术领域
本发明涉及预测性维护领域,特别是关于一种工业信号异常预警方法、系统、存储介质及计算设备。
背景技术
工业设备之间的高耦合性、系统的复杂性,以及特殊的服役环境,导致其极易发生故障,甚至引发重大安全生产事故,造成重大经济损失和不良社会影响。可见,为保证工业设备生产过程的安全平稳运行,防止生产中断带来重大损失,通过可靠的状态监控技术对设备进行健康管理,实时对设备特征参数进行监测和预警分析,判断设备是否存在异常或故障就显得尤为迫切和重要。
早期设备故障预警技术大多采用基于机理模型的方法,但该方法在面对多变量耦合的复杂系统时适用性较差。后来发展为基于知识的方法,即在设备出现异常征兆时由专家和操作人员的“知识”为依据进行故障推理和演绎,该方法对专家知识依赖性太强,应用范围窄。随着智能化仪表的广泛应用和数字信息技术的高速发展,海量的过程数据得以有效地监测、收集和存储,企业在生产方式、管理理念等方面发生了重大转变,使得基于数据驱动的方法在工业设备故障预警和诊断中占据着主导地位。
目前,典型的故障预警算法主要有聚类分析、神经网络等。但当故障样本数据不足时,很难有效划分设备运行状态,及时准确发现异常的起始点,而基于深度学习的模型在训练阶段需要大量标记的数据集,而在实际工业系统中,非正常工况下的样本数据量往往不足。
发明内容
针对上述问题,本发明的目的是提供一种工业信号异常预警方法、系统、存储介质及计算设备,其能有效识别监测信号异常,实现早期预警,提高工业设备管理水平、降低设备运维成本。
为实现上述目的,本发明采取以下技术方案:一种工业信号异常预警方法,其包括:获取历史数据作为样本数据集;对所述样本集数据集进行预处理,获取结构化可分析的数据集;将所述数据集划分为训练集和测试集,根据所述训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建所述测试集与所述第一过程记忆矩阵之间的第一相似度模型;采用所述第一相似度模型对所述测试集进行预测,得到所述测试集预测值与实际值之间的差值,即测试残差;对所述测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障。
进一步,所述根据所述样本数据集进行预处理,获取结构化可分析的数据集,包括:对样本数据集进行数据清洗,剔除设备停机数据和无效数据,获取运行状态数据,清除冗余测点,形成有效的数据集。
进一步,所述根据所述训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的过程记忆矩阵,包括:在所述训练集中选取涵盖设备所有正常运行工况的样本构建第二过程记忆矩阵,基于相似性原理建立所述训练集与所述第二过程记忆矩阵之间的第二相似度模型,采用所述第二相似度模型对所述训练集进行预测,得到所述训练集实际值与所述第二相似度模型预估值之间的残差,即训练残差;通过所述训练残差对所述第二过程记忆矩阵进行优化,得到最小维度涵盖设备所有运行工况的与完整正常样本数据集相同性能水平的所述第一过程记忆矩阵。
进一步,所述通过所述训练残差对所述第二过程记忆矩阵进行优化,得到所述第一过程记忆矩阵,包括:将所述训练残差与预先设定残差阈值进行比对,若所述训练残差大于所述预先设定值,则重新选取优化所述第二过程记忆矩阵,直至所述训练残差小于设定阈值,得到最小维度涵盖设备所有运行工况的与完整正常样本数据集相同性能水平的所述第一过程记忆矩阵。
进一步,所述第一过程记忆矩阵的构建方法,包括:选取所述训练集中测点最大值最小值所在的行向量,由此筛选出的行向量构成行向量矩阵;将所述训练集与所述行向量矩阵的差作为剩余矩阵,计算所述剩余矩阵中行向量二范数并排序,用于对所有运行工况均匀取样,每隔预定时间抽取所述剩余矩阵中各正常运行工况代表性样本,构成样本矩阵;将所述行向量矩阵和所述样本矩阵组合,即所述第一过程记忆矩阵。
进一步,所述对所述测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障,包括:预先设定误报率和漏报率,得到上决策边界对数值和下决策边界对数值;根据设定的随机变量序列的零假设值和备选假设值,得到所述趋势分布概率检验值;通过比较所述趋势分布概率检验值与所述上下决策边界对数值,判断设备运行状态。
进一步,所述判断设备运行状态,包括:当所述趋势分布概率检验值小于等于所述下决策边界对数值时,设备为健康状态;当所述趋势分布概率检验值大于等于所述上决策边界对数值时,设备为故障状态,对该故障状态进行报警;当所述趋势分布概率检验值在所述上决策边界对数值和下决策边界对数值之间时,继续对设备状态进行检验,直至满足上述两种情况。
一种基于相似性原理的工业信号异常预警系统,其包括:获取模块、预处理模块、构建模型模块、残差模块和检验模块;所述获取模块,获取所述历史数据作为所述样本数据集;所述预处理模块,对所述样本集数据集进行预处理,获取所述结构化可分析的数据集;所述构建模型模块,将所述数据集划分为训练集和测试集,根据所述训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建所述测试集与所述第一过程记忆矩阵之间的第一相似度模型;所述残差模块,采用所述第一相似度模型对所述测试集进行预测,得到所述测试集预测值与实际值之间的差值,即测试残差;所述检验模块,对所述测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行上述方法中的任一方法。
一种计算设备,其包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明采用基于多维时序数据驱动的方式,能够挖掘复杂系统工业信号数据的潜在关联规律,有效预测分析生产中的异常情况,具有数学理论支撑和较好的实践准确性。
2、本发明采用了一种过程记忆矩阵的构建方法,通过该方法可选择产生最小维度的与完整数据集相同性能水平的矩阵,即涵盖设备各种运行工况。
3、本发明基于设备运行机理选择与建模相关的有效数据,有效避免了冗余测点对模型准确性的影响。
4、本发明采用基于相似性原理的方法构建测试集与过程记忆矩阵之间的相似度模型,对测试集进行预测,得到相似度模型预估值,而不仅仅是运行状态的判别。
5、本发明采用对测试残差进行趋势分布概率检验,可有效识别信号突变、趋势劣化等多种信号异常情况。
6、本发明仅依赖于运行历史数据,与设备类型、内在机理无关,因此对复杂工业系统和设备具有普遍适用性。
7、本发明中的过程记忆矩阵方法模型较小,运行效率高,计算成本低。
附图说明
图1为本发明一实施例中的预警方法流程示意图;
图2为本发明一实施例中工业信号异常预警方法分析流程示意图;
图3为本发明一实施例的工业信号预警模型残差趋势分布概率检验值随样本的变化曲线;
图4为本发明一实施例中的工业信号异常预警系统示意图;
图5为本发明一实施例中的计算设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明的一个实施例中,如图1所示,提供一种工业信号异常预警方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例所提供的工业信号异常预警方法不仅可以用于工业信号异常预警,也可应用到其他领域对其他异常信号进行预警,例如航天航空领域、医疗健康领域以及网络安全领域等。本实施例以对工业信号异常进行预警举例说明,对其他领域中的异常信号部分不做限定。本实施例中,该方法包括以下步骤:
步骤1、获取历史数据作为样本数据集;
步骤2、对样本集数据集进行预处理,获取结构化可分析的数据集;
步骤3、将数据集划分为训练集和测试集,根据训练集得到最小维度涵盖设备所有正常运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建测试集与第一过程记忆矩阵之间的第一相似度模型;
步骤4、采用第一相似度模型对测试集进行预测,得到测试集预测值与实际值之间的差值,即测试残差;
步骤5、对测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障。
上述步骤1中,获取历史数据作为样本数据,具体为:采集工业设备一段时间内运行历史数据作为样本数据集,用于模型训练和验证。
如图2所示,以天然气发电厂中压给水泵为例,建立预警模型,中压给水泵的主要作用是调节并稳定给水的压力和流量,锅炉和回热系统循环中需要克服系统阻力,给水泵也为水动力循环提供动力保障。在整个机组中,其出口对应的是最高压力,因此中压给水泵的安全运行问题不容小视。采集DCS系统中2019年全年(2019年1月1日00:10-2020年1月1日00:00)所有工况点历史数据,采样频率为10min,获取特征参数19个,样本量达52560个;
上述步骤2中,对样本集数据集进行预处理,获取结构化可分析的数据集,具体为:
进行数据预处理,包括对样本数据进行清洗,使“脏”数据变为清洁数据,解决数据类型不统一、重复值、缺失值等各种数据质量问题,通过对样本数据集的清洗,剔除设备停机数据和无效数据,获取运行状态数据,同时基于中压给水泵运行机理对样本特征进行筛选,清除设备建模的冗余测点,获取对于建模有用的有效数据,形成结构化可分析的数据集作为模型的输入条件。
以中压给水泵电机电流作为启停机工作状态筛选指标,依据机理模型进行特征选择,最终得到有效样本量5815个,样本特征14个,其中3885组正常运行状态数据用于模型学习和训练,1930组数据包含故障前后数据用于模型测试,验证和评估该故障预警模型性能。
上述步骤3中,根据训练集得到最小维度涵盖设备所有正常运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,具体为:
在训练集选取涵盖设备所有正常运行工况的样本构建第二过程记忆矩阵D2,基于相似性原理建立训练集与第二过程记忆矩阵D2的相似关系,构建第二相似度模型,对训练集进行预测,得到训练集实际值与第二相似度模型预估值之间的残差,即训练残差;通过训练残差对第二过程记忆矩阵进行优化,得到最小维度涵盖设备所有正常运行工况的与完整正常样本数据集相同性能水平的第一过程记忆矩阵D1。
其中,优化过程中的矩阵都称为第二过程记忆矩阵。
其中,通过训练残差对第二过程记忆矩阵进行优化,得到第一过程记忆矩阵D1的方法为:
将训练残差与预先设定残差阈值进行比对,若训练残差大于预先设定值,则改进第二过程记忆矩阵D2的选取方法,重新选取优化第二过程记忆矩阵D2,直至训练残差小于设定阈值,得到最小维度涵盖设备所有正常运行工况的与完整正常样本数据集相同性能水平的第一过程记忆矩阵D1。
若第一过程记忆矩阵D1的维度过大,会导致模型计算量过大,耗费较多的计算资源和时间,并有可能产生过拟合现象;若第一过程记忆矩阵D1的维度过小,训练样本不具有代表性,无法准确表征设备正常运行的状态特性。本发明采用了一种构建过程记忆矩阵的方法,其步骤包括:
步骤3.1、选取训练集L中各测点对应的最大值最小值所在的行向量,由此筛选出的行向量构成矩阵d1;
步骤3.2、将训练集L与行向量矩阵d1的差作为剩余矩阵,计算剩余矩阵L-d1中行向量二范数并排序,用于对所有运行工况均匀取样,每隔预定时间s抽取剩余矩阵中各正常运行工况代表性样本,构成样本矩阵d2;
步骤3.3、行向量矩阵d1和样本矩阵d2的组合,即为过程记忆矩阵D1。
上述步骤5中,对测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障,具体为:
对测试残差采用趋势分布概率检验,该方法自提出以来,广泛应用于工业控制、信号处理等领域,尤其是故障检测与诊断领域。相比于阈值监测方法,趋势分布概率检验更灵敏,也就是说精度相同的情况下,该方法能更早识别异常起始时间,给出预警信号。
如图3所示,根据趋势分布概率检验识别了中压给水泵入口压力测试残差的异常变化,经与电厂检维修人员确认,发现为检修后变送器仪表阀未开所致,造成在该时间段中压给水泵的入口压力与泵停机时的数值一样,此故障DCS控制系统无报警,通过该模型发出报警信息可提醒运行、维护人员检查仪表投入情况等,对于机组安全运行具有重要意义。
其中,基于趋势分布概率检验方法通过时序统计特征来分析和评估测试残差用于检测设备异常或故障,步骤包括:
步骤5.1、设误报率α和漏报率β分别取为0.1,则上下决策边界对数值表示为:
式中,A表示下决策边界,B表示上决策边界。
步骤5.2、对于服从高斯分布的随机变量序列y1,y2,…yn,设H0是随机变量序列的零假设,H1是随机变量序列的备选假设,则趋势分布概率检验Zn表达式为:
式中:M为随机变量序列均值,σ2为随机变量序列方差。
步骤5.3、检验设备运行状态,其方法为:
当趋势分布概率检验值小于等于下决策边界对数值,即Zn≤lnA时,接受零假设H0,即为健康状态;
当趋势分布概率检验值大于等于上决策边界对数值,即Zn≥lnB时,接受备则假设H1,即为故障状态,程序对该异常报警;
当趋势分布概率检验值在上决策边界对数值和下决策边界对数值之间,即lnA≤Zn≤lnB时,继续对状态进行检验,直至满足上述两种情况。
综上,对测试残差进行趋势分布概率检验,与上下决策边界对数值即lnA、lnB对比判断中压给水泵运行状态,若趋势分布概率检验值小于下决策边界对数值lnA,标记为1,即此时处于健康状态,若趋势分布概率检验值大于上决策边界对数值lnB,标记为-1,发出报警信号,判断为异常;若趋势分布概率检验值介于两者之间,标记为零,继续检验。
如图4所示,在本发明的一个实施例中,提供一种工业信号异常预警系统,其包括:获取模块、预处理模块、构建模型模块、残差模块和检验模块;
获取模块,获取历史数据作为样本数据集;
预处理模块,对样本集数据集进行预处理,获取结构化可分析的数据集;
构建模型模块,将数据集划分为训练集和测试集,根据训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建测试集与第一过程记忆矩阵之间的第一相似度模型;
残差模块,采用第一相似度模型对测试集进行预测,得到测试集预测值与实际值之间的差值,即测试残差;
检验模块,对测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障。
本实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
如图5所示,为本发明一实施例中提供的计算设备结构示意图,该计算设备可以是终端,其可以包括:处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中,处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序,该计算机程序被处理器执行时以实现一种预警方法;该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏,该输入装置可以是显示屏上覆盖的触摸层,也可以是计算设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令,以执行如下方法:
获取历史数据作为样本数据集;对样本集数据集进行预处理,获取结构化可分析的数据集;将数据集划分为训练集和测试集,根据训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建测试集与第一过程记忆矩阵之间的第一相似度模型;将第一相似度模型对测试集进行预测,得到测试集预测值与实际值之间的差值,即测试残差;对测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障。
此外,上述的存储器中的逻辑指令可以通过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,本发明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)执行本发明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。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算设备的限定,具体的计算设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本发明的一个实施例中,提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取历史数据作为样本数据集;对样本集数据集进行预处理,获取结构化可分析的数据集;将数据集划分为训练集和测试集,根据训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建测试集与第一过程记忆矩阵之间的第一相似度模型;采用第一相似度模型对测试集进行预测,得到测试集预测值与实际值之间的差值,即测试残差;对测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障。
在本发明的一个实施例中,提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:获取历史数据作为样本数据集;对样本集数据集进行预处理,获取结构化可分析的数据集;将数据集划分为训练集和测试集,根据训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建测试集与第一过程记忆矩阵之间的第一相似度模型;采用第一相似度模型对测试集进行预测,得到测试集预测值与实际值之间的差值,即测试残差;对测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供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步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种工业信号异常预警方法,其特征在于,包括:
获取历史数据作为样本数据集;
对所述样本集数据集进行预处理,获取结构化可分析的数据集;
将所述数据集划分为训练集和测试集,根据所述训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建所述测试集与所述第一过程记忆矩阵之间的第一相似度模型;
采用所述第一相似度模型对所述测试集进行预测,得到所述测试集预测值与实际值之间的差值,即测试残差;
对所述测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障;
所述根据所述训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,包括:
在所述训练集中选取涵盖设备所有正常运行工况的样本构建第二过程记忆矩阵,基于相似性原理建立所述训练集与所述第二过程记忆矩阵之间的第二相似度模型,采用所述第二相似度模型对所述训练集进行预测,得到所述训练集实际值与所述第二相似度模型预估值之间的残差,即训练残差;
通过所述训练残差对所述第二过程记忆矩阵进行优化,得到最小维度涵盖设备所有运行工况的与完整正常样本数据集相同性能水平的所述第一过程记忆矩阵;
所述通过所述训练残差对所述第二过程记忆矩阵进行优化,得到所述第一过程记忆矩阵,包括:将所述训练残差与预先设定残差阈值进行比对,若所述训练残差大于所述预先设定残差阈值,则重新选取优化所述第二过程记忆矩阵,直至所述训练残差小于预先设定残差阈值,得到最小维度涵盖设备所有运行工况的与完整正常样本数据集相同性能水平的所述第一过程记忆矩阵;
所述第一过程记忆矩阵的构建方法,包括:
选取所述训练集中测点最大值最小值所在的行向量,由此筛选出的行向量构成行向量矩阵;
将所述训练集与所述行向量矩阵的差作为剩余矩阵,计算所述剩余矩阵中行向量二范数并排序,用于对所有运行工况均匀取样,每隔预定时间抽取所述剩余矩阵中各正常运行工况代表性样本,构成样本矩阵;
将所述行向量矩阵和所述样本矩阵组合,即所述第一过程记忆矩阵。
2.如权利要求1所述的预警方法,其特征在于,所述根据所述样本数据集进行预处理,获取结构化可分析的数据集,包括:对样本数据集进行数据清洗,剔除设备停机数据和无效数据,获取运行状态数据,清除冗余测点,形成有效的数据集。
3.如权利要求1所述的预警方法,其特征在于,所述对所述测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障,包括:
预先设定误报率和漏报率,得到上决策边界对数值和下决策边界对数值;
根据设定的随机变量序列的零假设值和备选假设值,得到趋势分布概率检验值;
通过比较所述趋势分布概率检验值与上下决策边界对数值,判断设备运行状态。
4.如权利要求3所述的预警方法,其特征在于,所述判断设备运行状态,包括:
当所述趋势分布概率检验值小于等于所述下决策边界对数值时,设备为健康状态;
当所述趋势分布概率检验值大于等于所述上决策边界对数值时,设备为故障状态,对该故障状态进行报警;
当所述趋势分布概率检验值在所述上决策边界对数值和下决策边界对数值之间时,继续对设备状态进行检验,直至满足上述两种情况。
5.一种工业信号异常预警系统,其特征在于,包括:获取模块、预处理模块、构建模型模块、残差模块和检验模块;
所述获取模块,获取历史数据作为样本数据集;
所述预处理模块,对所述样本集数据集进行预处理,获取结构化可分析的数据集;
所述构建模型模块,将所述数据集划分为训练集和测试集,根据所述训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,构建所述测试集与所述第一过程记忆矩阵之间的第一相似度模型;
所述残差模块,采用所述第一相似度模型对所述测试集进行预测,得到所述测试集预测值与实际值之间的差值,即测试残差;
所述检验模块,对所述测试残差进行趋势分布概率检验,根据检验结果识别设备运行异常或故障;
所述根据所述训练集得到最小维度涵盖设备所有运行工况的与完整数据集相同性能水平的第一过程记忆矩阵,包括:
在所述训练集中选取涵盖设备所有正常运行工况的样本构建第二过程记忆矩阵,基于相似性原理建立所述训练集与所述第二过程记忆矩阵之间的第二相似度模型,采用所述第二相似度模型对所述训练集进行预测,得到所述训练集实际值与所述第二相似度模型预估值之间的残差,即训练残差;
通过所述训练残差对所述第二过程记忆矩阵进行优化,得到最小维度涵盖设备所有运行工况的与完整正常样本数据集相同性能水平的所述第一过程记忆矩阵;
所述通过所述训练残差对所述第二过程记忆矩阵进行优化,得到所述第一过程记忆矩阵,包括:将所述训练残差与预先设定残差阈值进行比对,若所述训练残差大于所述预先设定残差阈值,则重新选取优化所述第二过程记忆矩阵,直至所述训练残差小于预先设定残差阈值,得到最小维度涵盖设备所有运行工况的与完整正常样本数据集相同性能水平的所述第一过程记忆矩阵;
所述第一过程记忆矩阵的构建方法,包括:
选取所述训练集中测点最大值最小值所在的行向量,由此筛选出的行向量构成行向量矩阵;
将所述训练集与所述行向量矩阵的差作为剩余矩阵,计算所述剩余矩阵中行向量二范数并排序,用于对所有运行工况均匀取样,每隔预定时间抽取所述剩余矩阵中各正常运行工况代表性样本,构成样本矩阵;
将所述行向量矩阵和所述样本矩阵组合,即所述第一过程记忆矩阵。
6.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至4所述方法中的任一方法。
7.一种计算设备,其特征在于,包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至4所述方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110966838.6A CN113673600B (zh) | 2021-08-23 | 2021-08-23 | 一种工业信号异常预警方法、系统、存储介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110966838.6A CN113673600B (zh) | 2021-08-23 | 2021-08-23 | 一种工业信号异常预警方法、系统、存储介质及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673600A CN113673600A (zh) | 2021-11-19 |
CN113673600B true CN113673600B (zh) | 2024-02-02 |
Family
ID=78544947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110966838.6A Active CN113673600B (zh) | 2021-08-23 | 2021-08-23 | 一种工业信号异常预警方法、系统、存储介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673600B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068479A (zh) * | 2023-03-07 | 2023-05-05 | 潍柴动力股份有限公司 | 燃料电池耐久试验中输出性能信号的异常检测方法与装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN112414694A (zh) * | 2020-06-12 | 2021-02-26 | 北京航空航天大学 | 基于多元状态估计技术的设备多级异常状态识别方法及装置 |
CN112629585A (zh) * | 2020-12-02 | 2021-04-09 | 三门核电有限公司 | 基于多维参数估计的设备在线监测方法及装置 |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
-
2021
- 2021-08-23 CN CN202110966838.6A patent/CN113673600B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN112414694A (zh) * | 2020-06-12 | 2021-02-26 | 北京航空航天大学 | 基于多元状态估计技术的设备多级异常状态识别方法及装置 |
CN112629585A (zh) * | 2020-12-02 | 2021-04-09 | 三门核电有限公司 | 基于多维参数估计的设备在线监测方法及装置 |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
Non-Patent Citations (1)
Title |
---|
基于状态监测信息的风力发电机故障预警与短期可靠性评估研究;邹迪;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第12期);1-61 * |
Also Published As
Publication number | Publication date |
---|---|
CN113673600A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111508216B (zh) | 一种大坝安全监测数据智能预警方法 | |
EP2171598B1 (en) | Fuzzy classification approach to fault pattern matching | |
EP1982301B1 (en) | Method of condition monitoring | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
CN104102773A (zh) | 一种设备故障预警及状态监测方法 | |
EA036230B1 (ru) | Способ и система удаленного мониторинга объектов | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的系统和方法 | |
CN113673600B (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
WO2021127646A1 (en) | Device and method for monitoring a system | |
CN113762586A (zh) | 在特定事件情境中设施状态和运行模式的识别 | |
CN110009126B (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
CN110262460B (zh) | 一种结合聚类思想进行特征提取的砼活塞故障预测方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
Goel et al. | How Big Data & Analytics Can Improve Process and Plant Safety and Become an Indispensable Tool for Risk Management. | |
EP4113539A1 (en) | Method and system for intelligent monitoring of state of nuclear power plant | |
RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
CN115511237A (zh) | 装置运行状况监控方法及系统 | |
CN112363432A (zh) | 一种水电站辅助设备的监测系统及监测方法 | |
CN106125643A (zh) | 一种基于机器学习技术的工控安防方法 | |
CN112579665A (zh) | 能源设备控制方法、装置及能源设备 | |
Xing et al. | Streaming sensor data validation in networked infrastructure systems through synergic auto and cross similarity discovery and analysis | |
Chou et al. | Economic design of variable sampling intervals charts with B&L switching rule | |
LAMAS-LÓPEZ et al. | Predictive Maintenance of Naval Assets Using Machine Learning Techniques |
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 |