CN113887799A - 一种水电厂安全生产人工智能报警方法 - Google Patents
一种水电厂安全生产人工智能报警方法 Download PDFInfo
- Publication number
- CN113887799A CN113887799A CN202111150022.2A CN202111150022A CN113887799A CN 113887799 A CN113887799 A CN 113887799A CN 202111150022 A CN202111150022 A CN 202111150022A CN 113887799 A CN113887799 A CN 113887799A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- rule
- neural network
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明实施例提供了一种水电厂安全生产人工智能报警方法,所述方法包括:历史数据抽取步骤、神经网络推理步骤、预警告警输出步骤。本发明技术方案属于人工智能领域。上述技术方案结合人工智能技术,采用神经网络算法自动获取水电厂运行健康标准,对全厂生产设备进行监视与跟踪,对偏离健康标准的设备运行状态进行报警,大大减轻电站人员工作负担,为实现超大型水电机组的“无人值守、少人值班”奠定基础。
Description
技术领域
本发明属于涉及信息技术领域,尤其涉及一种水电厂安全生产人工智能报警方法。
背景技术
随着社会信息化进程的发展,越来越多的领域都广泛应用了各种电子化设备;特别是各种监测、监控领域,能够极大的提高监测的实时性。
但是长期以来,该水电厂计算机监控系统数据报警机制都是简单的状态变位和模拟量越限报警。粗放的报警机制使监控系统产生大量过程数据报警,如模拟量临界值的反复刷屏报警和设备操作过程状态变迁报警,众多过程数据堆积在屏幕上导致运行人员无法在第一时间确认关键信息。
发明内容
针对现有技术中对于水电站监控领域存在的问题,本发明实施例的目的是提供一种水电厂安全生产人工智能报警方法。
为了解决上述问题,本发明实施例提出了一种水电厂安全生产人工智能报警方法,包括:历史数据抽取步骤、神经网络推理步骤、预警告警输出步骤;
历史数据抽取步骤包括:针对水电厂特定的运行设备,建立设备对象模型,抽取设备运行的工况信息和目标信息;并同时抽取辅助设备运行的保护数据;通过方差与偏差计算剔除明显异常的测量数据,形成样本数据;
神经网络推理步骤包括:按照汛期、非汛期以及年份,建立多套深度学习神经网络;将所述样本数据输入对应的深度学习神经网络,完成样本训练,以获得具有特征信息的神经网络推理机;其中,神经网络推理的过程能够构建出推理引擎包括:模式匹配器、议程和执行引擎;
预警告警输出包括:根据当前的月份采用最新的汛期或非汛期的深度学习神经网络对工况数据进行处理,得到健康标准;实时监视跟踪设备的运行数据,当设备运行偏离健康标准时,触发实时报警;并根据当前月份,采用不同年份下的汛期或非汛期神经网络推理机分别对工况数据进行处理,获得过往年度的健康数据的变化情况,形成新的样本数据;并建立新的深度学习神经网络的推理机,对新的样本数据进行训练,挖掘出设备运行的趋势,预测未来数年设备运行的可能情况,当未来某年的预测数据超出额定限值时予以报警。
其中,所述历史数据抽取步骤包括:
从历史数据中获取目标设备在i日的动作次数Xi;采用相同方法,获得目标时间断内连续n日运行数据,形成动作次数数组X;通过方差计算获取数组的中间值M;遍历数组计算Xi对M的偏差δXi,当偏差超过额定数值时认为Xi无效,以此方法过滤设备运行数据中的无效信息,避免采集设备异常造成的数据影响,得到动作次数有效数组X’;针对X’所有元素X’i获取对应时间下工况数据Zi2…Zin,并将X’i赋给Z i1,形成特征二维数组Z;其中漏水量数据不能直接从水电厂运行数据中获取,必须通过漏水相关泵组设备动作数据的统计数据进行计算得到,因此按照设备动作分析的方式对数据按日分组统计,统计结果计算得到漏水量数据;
从历史数据中获取目标设备在i日的动作时间Xi;采用相同方法,获得目标时间断内连续n日运行数据,形成动作时间数组X;获取数组的中间值M;遍历数组计算Xi对M的偏差δXi,当偏差超过额定数值时认为Xi无效,得到动作时间有效数组X’;同理获得停止时间有效数组Y’;通过漏水量计算公式f(X’i,Y’i)获得i日的漏水量Li;从而得到漏水量数组L;针对L所有元素Li获取对应时间下工况数据Zi2…Zin,并将Li赋给Zi1,形成特征二维数组Z。
其中,神经网络推理步骤包括:
将样本数组Z输入神经网络推理机进行训练;通过误差反向传播,进行自动学习,修改各节点的连接权和相应节点的阈值,直到误差小于规定的值。
其中,神经网络推理步骤中,神经网络推理采用演绎法,包括:
从一个初始的事实出发,不断地应用规则得出结论或执行指定的动作,其中所述事实为预警或报警,所述演绎法包括:
将通过历史数据抽取获取的样本数据Fact,输入工作内存Working Memory;
使用模式匹配器Pattern Matcher比较规则库Rule Base中的规则Rule和数据Fact;如果执行规则存在冲突Conflict,即同时激活了多个规则,将冲突的规则放入冲突集合Conflict Set;
解决冲突,将激活的规则按顺序放入议程Agenda进行相关次序的编排。
使用执行引擎Execution Engine议程Agenda中的规则;重复上述步骤直到执行完毕所有议程Agenda中的规则。
其中,神经网络推理过程是一种根据规则中包含的指定过滤条件,判断其能否匹配运行时刻的实时条件来执行规则中所规定的动作的引擎;包括:
信息服务接受事件并将其转化为信息元;其中信息服务接受事件产生信息元对象;每个信息服务产生它自己类型相对应的信息元对象;即特定信息服务根据信息元所产生每个信息元对象有相同的格式,但可以有不同的属性和规则集;
信息元被传给队列管理器:信息元是规则引擎的基本构成块,它是一个包含了特定事件的所有信息的对象;这些信息包括:消息、产生事件的应用程序标识、事件产生事件、信息元类型、相关规则集、通用方法、通用属性以及一些系统相关信息;队列管理器用来管理来自不同信息服务的信息元对象的队列;
规则引擎接收这些信息元并应用它们自身携带的规则加以执行,直到队列管理器中不再有信息元。
其中,规则集就是许多规则的集合;每条规则包含一个条件过滤器和多个动作;一个条件过滤器可以包含多个过滤条件;条件过滤器是多个布尔表达式的组合,其组合结果仍然是一个布尔类型的;在程序运行时,动作将会在条件过滤器值为真的情况下执行。
其中,神经网络推理流程是推理引擎从队列管理器中依次接收信息元,依规则的定义顺序检查信息元所带规则集中的规则;其中所述神经网络推理流程包括:
规则引擎检查第一个规则并对其条件过滤器求值,如果值为假,所有与此规则相关的动作皆被忽略并继续执行下一条规则;如果第二条规则的过滤器值为真,所有与此规则相关的动作皆依定义顺序执行,执行完毕继续下一条规则;该信息元中的所有规则执行完毕后,信息元将被销毁,然后从队列管理器接收下一个信息元;
在这个过程中并未考虑两个特殊动作:放弃动作Discard Action和包含动作Include Action;放弃动作如果被执行,将会跳过其所在信息元中接下来的所有规则,并销毁所在信息元,规则引擎继续接收队列管理器中的下一个信息元;包含动作其实就是动作中包含其它现存规则集的动作;包含动作如果被执行,规则引擎将暂停并进入被包含的规则集,执行完毕后,规则引擎还会返回原来暂停的地方继续执行;这一过程将递归进行。
其中,预警告警输出步骤包括:
实时监视跟踪设备的运行情况,获取当日设备动作次数统计数据K’;同时建立工况数据数组Z’1…Z’n,将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V;比较V与K’,当K’大于V时进行报警;
实时监视跟踪设备的运行情况,获取当日设备漏水数据K’;同时建立工况数据数组Z’1…Z’n,将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V;比较V与K’,当K’大于V时进行报警。
其中,所述方法还包括:
人机接口提醒步骤,包括:将水电厂实际生产设备按照树形结构进行组织,最终一层设备对象承载监控系统实时数据信息,形成模型树;当报警触发后,与报警相关的信息也按照模型树的层次关系进行统计和展示。
其中,所述人机接口提醒步骤还包括:在报警工作界面组态光字牌,模型树上任意层次的节点均可以组态在界面上,并以不同的颜色标识不同级别的报警信息,从而形成直观的报警信息展示;且报警信息通过语音和App的方式进行推送。
本发明的有益效果在于:
本发明技术方案属于人工智能领域。上述技术方案结合人工智能技术,采用神经网络算法自动获取水电厂运行健康标准,对全厂生产设备进行监视与跟踪,对偏离健康标准的设备运行状态进行报警,大大减轻电站人员工作负担,为实现超大型水电机组的“无人值守、少人值班”奠定基础。
附图说明
图1是本发明申请水电厂安全生产报警方法示意图;
图2是本发明申请水电厂安全生产报警推理示意图;
图3是本发明申请水电厂安全生产推理过程示意图;
图4是本发明申请水电厂安全生产推理流程示意图;
图5是本发明申请水电厂安全生产报警装置示意图;
图6是本发明申请水电厂安全生产神经网络推理机示意图。
具体实施例
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及本发明的实施例的方法进一步说明。
如图1-图6所示的,本发明实施例提出了一种水电厂安全生产人工智能报警方法,包括:历史数据抽取步骤、神经网络推理步骤、预警告警输出步骤;
历史数据抽取步骤包括:针对水电厂特定的运行设备,建立设备对象模型,抽取设备运行的工况信息和目标信息;并同时抽取辅助设备运行的保护数据;通过方差与偏差计算剔除明显异常的测量数据,形成样本数据;
神经网络推理步骤包括:按照汛期、非汛期以及年份,建立多套深度学习神经网络;将所述样本数据输入对应的深度学习神经网络,完成样本训练,以获得具有特征信息的神经网络推理机;其中,神经网络推理的过程能够构建出推理引擎包括:模式匹配器、议程和执行引擎;
预警告警输出包括:根据当前的月份采用最新的汛期或非汛期的深度学习神经网络对工况数据进行处理,得到健康标准;实时监视跟踪设备的运行数据,当设备运行偏离健康标准时,触发实时报警;并根据当前月份,采用不同年份下的汛期或非汛期神经网络推理机分别对工况数据进行处理,获得过往年度的健康数据的变化情况,形成新的样本数据;并建立新的深度学习神经网络的推理机,对新的样本数据进行训练,挖掘出设备运行的趋势,预测未来数年设备运行的可能情况,当未来某年的预测数据超出额定限值时予以报警。
其中,所述历史数据抽取步骤包括:
从历史数据中获取目标设备在i日的动作次数Xi;采用相同方法,获得目标时间断内连续n日运行数据,形成动作次数数组X;通过方差计算获取数组的中间值M;遍历数组计算Xi对M的偏差δXi,当偏差超过额定数值时认为Xi无效,以此方法过滤设备运行数据中的无效信息,避免采集设备异常造成的数据影响,得到动作次数有效数组X’;针对X’所有元素X’i获取对应时间下工况数据Zi2…Zin,并将X’i赋给Z i1,形成特征二维数组Z;其中漏水量数据不能直接从水电厂运行数据中获取,必须通过漏水相关泵组设备动作数据的统计数据进行计算得到,因此按照设备动作分析的方式对数据按日分组统计,统计结果计算得到漏水量数据;
从历史数据中获取目标设备在i日的动作时间Xi;采用相同方法,获得目标时间断内连续n日运行数据,形成动作时间数组X;获取数组的中间值M;遍历数组计算Xi对M的偏差δXi,当偏差超过额定数值时认为Xi无效,得到动作时间有效数组X’;同理获得停止时间有效数组Y’;通过漏水量计算公式f(X’i,Y’i)获得i日的漏水量Li;从而得到漏水量数组L;针对L所有元素Li获取对应时间下工况数据Zi2…Zin,并将Li赋给Zi1,形成特征二维数组Z。
其中,神经网络推理步骤包括:
将样本数组Z输入神经网络推理机进行训练;通过误差反向传播,进行自动学习,修改各节点的连接权和相应节点的阈值,直到误差小于规定的值。
其中,神经网络推理步骤中,神经网络推理采用演绎法,包括:
从一个初始的事实出发,不断地应用规则得出结论或执行指定的动作,其中所述事实为预警或报警,所述演绎法包括:
将通过历史数据抽取获取的样本数据Fact,输入工作内存Working Memory;
使用模式匹配器Pattern Matcher比较规则库Rule Base中的规则Rule和数据Fact;如果执行规则存在冲突Conflict,即同时激活了多个规则,将冲突的规则放入冲突集合Conflict Set;
解决冲突,将激活的规则按顺序放入议程Agenda进行相关次序的编排。
使用执行引擎Execution Engine议程Agenda中的规则;重复上述步骤直到执行完毕所有议程Agenda中的规则。
其中,神经网络推理过程是一种根据规则中包含的指定过滤条件,判断其能否匹配运行时刻的实时条件来执行规则中所规定的动作的引擎;包括:
信息服务接受事件并将其转化为信息元;其中信息服务接受事件产生信息元对象;每个信息服务产生它自己类型相对应的信息元对象;即特定信息服务根据信息元所产生每个信息元对象有相同的格式,但可以有不同的属性和规则集;
信息元被传给队列管理器:信息元是规则引擎的基本构成块,它是一个包含了特定事件的所有信息的对象;这些信息包括:消息、产生事件的应用程序标识、事件产生事件、信息元类型、相关规则集、通用方法、通用属性以及一些系统相关信息;队列管理器用来管理来自不同信息服务的信息元对象的队列;
规则引擎接收这些信息元并应用它们自身携带的规则加以执行,直到队列管理器中不再有信息元。
其中,规则集就是许多规则的集合;每条规则包含一个条件过滤器和多个动作;一个条件过滤器可以包含多个过滤条件;条件过滤器是多个布尔表达式的组合,其组合结果仍然是一个布尔类型的;在程序运行时,动作将会在条件过滤器值为真的情况下执行。
其中,神经网络推理流程是推理引擎从队列管理器中依次接收信息元,依规则的定义顺序检查信息元所带规则集中的规则;其中所述神经网络推理流程包括:
规则引擎检查第一个规则并对其条件过滤器求值,如果值为假,所有与此规则相关的动作皆被忽略并继续执行下一条规则;如果第二条规则的过滤器值为真,所有与此规则相关的动作皆依定义顺序执行,执行完毕继续下一条规则;该信息元中的所有规则执行完毕后,信息元将被销毁,然后从队列管理器接收下一个信息元;
在这个过程中并未考虑两个特殊动作:放弃动作Discard Action和包含动作Include Action;放弃动作如果被执行,将会跳过其所在信息元中接下来的所有规则,并销毁所在信息元,规则引擎继续接收队列管理器中的下一个信息元;包含动作其实就是动作中包含其它现存规则集的动作;包含动作如果被执行,规则引擎将暂停并进入被包含的规则集,执行完毕后,规则引擎还会返回原来暂停的地方继续执行;这一过程将递归进行。
其中,预警告警输出步骤包括:
实时监视跟踪设备的运行情况,获取当日设备动作次数统计数据K’;同时建立工况数据数组Z’1…Z’n,将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V;比较V与K’,当K’大于V时进行报警;
实时监视跟踪设备的运行情况,获取当日设备漏水数据K’;同时建立工况数据数组Z’1…Z’n,将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V;比较V与K’,当K’大于V时进行报警。
其中,所述方法还包括:
人机接口提醒步骤,包括:将水电厂实际生产设备按照树形结构进行组织,最终一层设备对象承载监控系统实时数据信息,形成模型树;当报警触发后,与报警相关的信息也按照模型树的层次关系进行统计和展示。
其中,所述人机接口提醒步骤还包括:在报警工作界面组态光字牌,模型树上任意层次的节点均可以组态在界面上,并以不同的颜色标识不同级别的报警信息,从而形成直观的报警信息展示;且报警信息通过语音和App的方式进行推送。
本发明技术方案的目的是提供一种水电厂安全生产人工智能报警方法,它克服传统水电厂计算机监控系统粗放、单一报警的不足,能有效提高报警机制和运维人员工作效率,使运维人员能够更加高效地掌控全厂设备运行状态。具体来说,其目标有:
(1)提供一种历史数据抽取的方案,为设备对象模型的建立,提供了设备运行工况和目标信息等关键数据样本。
(2)提供一种神经网络推理的机制,形成深度学习神经网络算法模型库,完成样本训练,获得具体特征信息的神经网络推理机。
(3)提供一种设备运行健康趋势分析的方法,能够满足当前健康报警和未来预测预警的输出。
(4)提供一种人机接口应用的途径,可以快速将报警点信息输出人机交互的界面。
本发明的技术方案结合人工智能技术,采用神经网络算法自动获取水电厂运行健康标准,对全厂生产设备进行监视与跟踪,对偏离健康标准的设备运行状态进行报警,大大减轻电站人员工作负担,为实现超大型水电机组的“无人值守、少人值班”奠定基础。具体来说,本发明技术方案的水电厂安全生产人工智能报警方法包括:历史数据抽取步骤、神经网络推理步骤、预警告警输出步骤、人机接口提醒步骤;
其中,所述历史数据抽取包括:
针对水电厂特定的运行设备,建立设备对象模型,抽取设备运行的工况信息和目标信息。除了常规的设备运行数据外,同时抽取辅助设备运行的保护数据。应用统计学方法,通过方差与偏差计算,剔除明显异常的测量数据,防止由于采集故障导致的数据异常,造成分析结果造成的影响,最终获得具有统计学意义的设备运行数据,形成样本数据。
其中,所述神经网络推理包括:针对水电站设备运行的特殊性,按汛期、非汛期以及年份建立若干组深度学习神经网络,将样本数据输入神经网络,完成样本训练,获得具有特征信息的神经网络推理机。其中,神经网络推理的过程能够构建出推理引擎,包括模式匹配器(Pattern Matcher)、议程(Agenda)和执行引擎(Execution Engine)。
其中,所述预警告警输出包括:根据当前的月份采用最新的汛期或非汛期神经网络对工况数据进行处理,得到健康标准;实时监视跟踪设备的运行数据,当设备运行偏离健康标准时,触发实时报警。根据当前月份,采用不同年份下的汛期或非汛期神经网络推理机分别对工况数据进行处理,获得过去若干年下健康数据的变化情况,形成新的样本数据。建立新的神经网络推理机对样本进行训练,挖掘出设备运行的趋势,预测未来数年设备运行的可能情况,当未来某年的预测数据超出额定限值时予以报警。
其中,所述人机接口提醒包括:将水电厂实际生产设备按照树形结构进行组织,最终一层设备对象承载监控系统实时数据信息,形成模型树。当报警触发后,相关信息也按照模型树的层次关系进行统计和展示。在报警工作界面组态光字牌,模型树上任意层次的节点均可以组态在界面上,并以不同的颜色标识不同级别的报警信息,从而形成直观的报警信息展示。同时,报警信息通过语音和App的方式进行推送,增强用户体验。
根据本申请的水电厂安全生产人工智能报警装置,包括:历史数据抽取模块,用于采集设备对象模型的多源异构数据;神经网络推理机,用于试探性推理解释和结论证明;预警告警输出模块,用于监视跟踪设备关注要点偏离历史正常运行状态数据的预警报警输出;人机接口提醒模块,用于水电厂预警报警触发后,用户不同方式的体验。
进一步地,所述神经网络推理机包括:规则库(Rule Base),用于构建规则,是知识基础(knowledge base);工作内存(Working Memory),用于接收对象(Fact);推理引擎(Inference Engine),用于从一个初始的事实出发,不断地应用规则得出结论。
进一步地,所述推理引擎(Inference Engine)包括模式匹配器(PatternMatcher),用于决定执行规则的选择和执行规则的时机;议程(Agenda),用于设定挑选出来规则的执行次序;执行引擎(Execution Engine),用于执行规则和其他动作。
3、优点及功效:本发明的优点在于:
(1)更加准确的反应设备运行状况。
(2)报警精度更高、速度更快。
(3)减少现场维护工作负担。
(4)优化水电厂安全生产过程。
根据本发明实施例,提供一种水电厂安全生产人工智能报警方法。
优先地,水电厂安全生产人工智能报警方法是实现历史数据抽取、神经网络推理、预警告警输出、人机接口提醒的有机结合。如图1所示,该方法包括如下步骤:
(1)历史数据抽取
从历史数据中获取目标设备在i日的动作次数Xi;采用相同方法,获得目标时间断内连续n日运行数据,形成动作次数数组X;通过方差计算获取数组的中间值M;遍历数组计算Xi对M的偏差δXi,当偏差超过额定数值时认为Xi无效,以此方法过滤设备运行数据中的无效信息,避免采集设备异常造成的数据影响,得到动作次数有效数组X’;针对X’所有元素X’i获取对应时间下工况数据Zi2…Zin,并将X’i赋给Z i1,形成特征二维数组Z。
漏水量数据不能直接从水电厂运行数据中获取,必须通过漏水相关泵组设备动作数据的统计数据进行计算得到,因此按照设备动作分析的方式对数据按日分组统计,统计结果计算得到漏水量数据。
从历史数据中获取目标设备在i日的动作时间Xi;采用相同方法,获得目标时间断内连续n日运行数据,形成动作时间数组X;获取数组的中间值M;遍历数组计算Xi对M的偏差δXi,当偏差超过额定数值时认为Xi无效,得到动作时间有效数组X’;同理获得停止时间有效数组Y’;通过漏水量计算公式f(X’i,Y’i)获得i日的漏水量Li;从而得到漏水量数组L;针对L所有元素Li获取对应时间下工况数据Zi2…Zin,并将Li赋给Zi1,形成特征二维数组Z。
(2)神经网络推理:
将样本数组Z输入神经网络推理机进行训练。通过误差反向传播,进行自动学习,修改各节点的连接权和相应节点的阈值,直到误差小于规定的值。这样就得到了确定的连接权和阈值,特征信息分布存储在神经网络中。
(3)预警告警输出:
实时监视跟踪设备的运行情况,获取当日设备动作次数统计数据K’;同时建立工况数据数组Z’1…Z’n,将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V;比较V与K’,当K’大于V时进行报警。
实时监视跟踪设备的运行情况,获取当日设备漏水数据K’;同时建立工况数据数组Z’1…Z’n,将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V;比较V与K’,当K’大于V时进行报警。
采用类似方法监视跟踪设备的运行时间、停止时间,并对偏离历史正常运行状态的数据情况进行报警。
(4)人机接口提醒
当预警报警触发后,预警报警按照预先编排的模型树层次关系进行统计和展示。在报警工作界面组态光字牌,模型树上任意层次的节点均可以组态在界面上,并以不同的颜色标识不同级别的报警信息,从而形成直观的报警信息展示。同时,报警信息通过语音和App的方式进行推送。
优先地,神经网络推理采用演绎法,即:从一个初始的事实(预警或报警)出发,不断地应用规则得出结论(或执行指定的动作),如图2所示,该方法包括如下步骤:
(1)将通过历史数据抽取获取的样本数据(Fact),输入工作内存(WorkingMemory)。
(2)使用模式匹配器(Pattern Matcher)比较规则库(Rule Base)中的规则(Rule)和数据(Fact)。
(3)如果执行规则存在冲突(Conflict),即同时激活了多个规则,将冲突的规则放入冲突集合(Conflict Set)。
(4)解决冲突,将激活的规则按顺序放入议程(Agenda)进行相关次序的编排。
(5)使用执行引擎(Execution Engine)议程(Agenda)中的规则。重复步骤(2)至(5),直到执行完毕所有议程(Agenda)中的规则。
优先地,神经网络推理过程是一种根据规则中包含的指定过滤条件,判断其能否匹配运行时刻的实时条件来执行规则中所规定的动作的引擎。如图3所示,所述神经网络推理过程包括如下步骤:
(1)信息服务接受事件并将其转化为信息元。
信息服务接受事件产生信息元对象。每个信息服务产生它自己类型相对应的信息元对象。即特定信息服务根据信息元所产生每个信息元对象有相同的格式,但可以有不同的属性和规则集。需要注意的是,在一台机器上可以运行许多不同的信息服务,还可以运行同一信息服务的不同实例。但无论如何,每个信息服务只产生它自己类型相对应的信息元。
(2)信息元被传给队列管理器
信息元是规则引擎的基本构成块,它是一个包含了特定事件的所有信息的对象。这些信息包括:消息、产生事件的应用程序标识、事件产生事件、信息元类型、相关规则集、通用方法、通用属性以及一些系统相关信息。
队列管理器用来管理来自不同信息服务的信息元对象的队列。
(3)规则引擎接收这些信息元并应用它们自身携带的规则加以执行,直到队列管理器中不再有信息元。
优先地,规则集就是许多规则的集合。每条规则包含一个条件过滤器和多个动作。一个条件过滤器可以包含多个过滤条件。条件过滤器是多个布尔表达式的组合,其组合结果仍然是一个布尔类型的。在程序运行时,动作将会在条件过滤器值为真的情况下执行。
优先地,神经网络推理流程是推理引擎从队列管理器中依次接收信息元,依规则的定义顺序检查信息元所带规则集中的规则。如图4所示,所述神经网络推理流程包括:
(1)规则引擎检查第一个规则并对其条件过滤器求值,如果值为假,所有与此规则相关的动作皆被忽略并继续执行下一条规则。如果第二条规则的过滤器值为真,所有与此规则相关的动作皆依定义顺序执行,执行完毕继续下一条规则。该信息元中的所有规则执行完毕后,信息元将被销毁,然后从队列管理器接收下一个信息元。
(2)在这个过程中并未考虑两个特殊动作:放弃动作(Discard Action)和包含动作(Include Action)。放弃动作如果被执行,将会跳过其所在信息元中接下来的所有规则,并销毁所在信息元,规则引擎继续接收队列管理器中的下一个信息元。包含动作其实就是动作中包含其它现存规则集的动作。包含动作如果被执行,规则引擎将暂停并进入被包含的规则集,执行完毕后,规则引擎还会返回原来暂停的地方继续执行。这一过程将递归进行。
根据本发明实施例,还提供一种水电厂安全生产人工智能报警装置。
优先地,水电厂安全生产人工智能报警装置,如图5所示,包括:历史数据抽取模块,用于采集设备对象模型的多源异构数据;神经网络推理机,用于试探性推理解释和结论证明;预警告警输出模块,用于监视跟踪设备关注要点偏离历史正常运行状态数据的预警报警输出;人机接口提醒模块,用于水电厂预警报警触发后,用户不同方式的体验。
优先地,神经网络推理机,如图6所示,包括:规则库(Rule Base),用于构建规则,是知识基础(knowledge base);工作内存(Working Memory),用于接收对象(Fact);推理引擎(Inference Engine),用于从一个初始的事实出发,不断地应用规则得出结论。其中,推理引擎(Inference Engine)包括模式匹配器(Pattern Matcher),用于决定执行规则的选择和执行规则的时机;议程(Agenda),用于设定挑选出来规则的执行次序;执行引擎(Execution Engine),用于执行规则和其他动作。
为了提高报警有效性和运维人员工作效率,使运维人员能够更加高效地掌控全厂设备运行状态,逐步出现以逻辑组合为触发条件的综合报警。综合报警主要采用面向对象的方式,将相关的信息放在一起形成逻辑对象,通过相关信号状态的逻辑组合或顺序组合来确定报警的必要性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种水电厂安全生产人工智能报警方法,其特征在于,包括:历史数据抽取步骤、神经网络推理步骤、预警告警输出步骤;
历史数据抽取步骤包括:针对水电厂特定的运行设备,建立设备对象模型,抽取设备运行的工况信息和目标信息;并同时抽取辅助设备运行的保护数据;通过方差与偏差计算剔除明显异常的测量数据,形成样本数据;
神经网络推理步骤包括:按照汛期、非汛期以及年份,建立多套深度学习神经网络;将所述样本数据输入对应的深度学习神经网络,完成样本训练,以获得具有特征信息的神经网络推理机;其中,神经网络推理的过程能够构建出推理引擎包括:模式匹配器、议程和执行引擎;
预警告警输出包括:根据当前的月份采用最新的汛期或非汛期的深度学习神经网络对工况数据进行处理,得到健康标准;实时监视跟踪设备的运行数据,当设备运行偏离健康标准时,触发实时报警;并根据当前月份,采用不同年份下的汛期或非汛期神经网络推理机分别对工况数据进行处理,获得过往年度的健康数据的变化情况,形成新的样本数据;并建立新的深度学习神经网络的推理机,对新的样本数据进行训练,挖掘出设备运行的趋势,预测未来数年设备运行的可能情况,当未来某年的预测数据超出额定限值时予以报警。
2.根据权利要求1所述的水电厂安全生产人工智能报警方法,其特征在于,所述历史数据抽取步骤包括:
从历史数据中获取目标设备在i日的动作次数Xi;采用相同方法,获得目标时间断内连续n日运行数据,形成动作次数数组X;通过方差计算获取数组的中间值M;遍历数组计算Xi对M的偏差δXi,当偏差超过额定数值时认为Xi无效,以此方法过滤设备运行数据中的无效信息,避免采集设备异常造成的数据影响,得到动作次数有效数组X’;针对X’所有元素X’i获取对应时间下工况数据Zi2…Zin,并将X’i赋给Z i1,形成特征二维数组Z;其中漏水量数据不能直接从水电厂运行数据中获取,必须通过漏水相关泵组设备动作数据的统计数据进行计算得到,因此按照设备动作分析的方式对数据按日分组统计,统计结果计算得到漏水量数据;
从历史数据中获取目标设备在i日的动作时间Xi;采用相同方法,获得目标时间断内连续n日运行数据,形成动作时间数组X;获取数组的中间值M;遍历数组计算Xi对M的偏差δXi,当偏差超过额定数值时认为Xi无效,得到动作时间有效数组X’;同理获得停止时间有效数组Y’;通过漏水量计算公式f(X’i,Y’i)获得i日的漏水量Li;从而得到漏水量数组L;针对L所有元素Li获取对应时间下工况数据Zi2…Zin,并将Li赋给Zi1,形成特征二维数组Z。
3.根据权利要求1所述的水电厂安全生产人工智能报警方法,其特征在于,神经网络推理步骤包括:
将样本数组Z输入神经网络推理机进行训练;通过误差反向传播,进行自动学习,修改各节点的连接权和相应节点的阈值,直到误差小于规定的值。
4.根据权利要求3所述的水电厂安全生产人工智能报警方法,其特征在于,神经网络推理步骤中,神经网络推理采用演绎法,包括:
从一个初始的事实出发,不断地应用规则得出结论或执行指定的动作,其中所述事实为预警或报警,所述演绎法包括:
将通过历史数据抽取获取的样本数据Fact,输入工作内存Working Memory;
使用模式匹配器Pattern Matcher比较规则库Rule Base中的规则Rule和数据Fact;如果执行规则存在冲突Conflict,即同时激活了多个规则,将冲突的规则放入冲突集合Conflict Set;
解决冲突,将激活的规则按顺序放入议程Agenda进行相关次序的编排;
使用执行引擎Execution Engine议程Agenda中的规则;重复上述步骤直到执行完毕所有议程Agenda中的规则。
5.根据权利要求3所述的水电厂安全生产人工智能报警方法,其特征在于,神经网络推理过程是一种根据规则中包含的指定过滤条件,判断其能否匹配运行时刻的实时条件来执行规则中所规定的动作的引擎;包括:
信息服务接受事件并将其转化为信息元;其中信息服务接受事件产生信息元对象;每个信息服务产生它自己类型相对应的信息元对象;即特定信息服务根据信息元所产生每个信息元对象有相同的格式,但可以有不同的属性和规则集;
信息元被传给队列管理器:信息元是规则引擎的基本构成块,它是一个包含了特定事件的所有信息的对象;这些信息包括:消息、产生事件的应用程序标识、事件产生事件、信息元类型、相关规则集、通用方法、通用属性以及一些系统相关信息;队列管理器用来管理来自不同信息服务的信息元对象的队列;
规则引擎接收这些信息元并应用它们自身携带的规则加以执行,直到队列管理器中不再有信息元。
6.根据权利要求4所述的水电厂安全生产人工智能报警方法,其特征在于,规则集就是许多规则的集合;每条规则包含一个条件过滤器和多个动作;一个条件过滤器可以包含多个过滤条件;条件过滤器是多个布尔表达式的组合,其组合结果仍然是一个布尔类型的;在程序运行时,动作将会在条件过滤器值为真的情况下执行。
7.根据权利要求4所述的水电厂安全生产人工智能报警方法,其特征在于,神经网络推理流程是推理引擎从队列管理器中依次接收信息元,依规则的定义顺序检查信息元所带规则集中的规则;其中所述神经网络推理流程包括:
规则引擎检查第一个规则并对其条件过滤器求值,如果值为假,所有与此规则相关的动作皆被忽略并继续执行下一条规则;如果第二条规则的过滤器值为真,所有与此规则相关的动作皆依定义顺序执行,执行完毕继续下一条规则;该信息元中的所有规则执行完毕后,信息元将被销毁,然后从队列管理器接收下一个信息元;
在这个过程中并未考虑两个特殊动作:放弃动作Discard Action和包含动作IncludeAction;放弃动作如果被执行,将会跳过其所在信息元中接下来的所有规则,并销毁所在信息元,规则引擎继续接收队列管理器中的下一个信息元;包含动作其实就是动作中包含其它现存规则集的动作;包含动作如果被执行,规则引擎将暂停并进入被包含的规则集,执行完毕后,规则引擎还会返回原来暂停的地方继续执行;这一过程将递归进行。
8.根据权利要求1所述的水电厂安全生产人工智能报警方法,其特征在于,预警告警输出步骤包括:
实时监视跟踪设备的运行情况,获取当日设备动作次数统计数据K’;同时建立工况数据数组Z’1…Z’n,将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V;比较V与K’,当K’大于V时进行报警;
实时监视跟踪设备的运行情况,获取当日设备漏水数据K’;同时建立工况数据数组Z’1…Z’n,将Z’输入神经网络计算得到神经网络认为该工况下的正常动作次数值V;比较V与K’,当K’大于V时进行报警。
9.根据权利要求1所述的水电厂安全生产人工智能报警方法,其特征在于,所述方法还包括:
人机接口提醒步骤,包括:将水电厂实际生产设备按照树形结构进行组织,最终一层设备对象承载监控系统实时数据信息,形成模型树;当报警触发后,与报警相关的信息也按照模型树的层次关系进行统计和展示。
10.根据权利要求5所述的水电厂安全生产人工智能报警方法,其特征在于,所述人机接口提醒步骤还包括:在报警工作界面组态光字牌,模型树上任意层次的节点均可以组态在界面上,并以不同的颜色标识不同级别的报警信息,从而形成直观的报警信息展示;且报警信息通过语音和App的方式进行推送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150022.2A CN113887799A (zh) | 2021-09-29 | 2021-09-29 | 一种水电厂安全生产人工智能报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150022.2A CN113887799A (zh) | 2021-09-29 | 2021-09-29 | 一种水电厂安全生产人工智能报警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887799A true CN113887799A (zh) | 2022-01-04 |
Family
ID=79007985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111150022.2A Pending CN113887799A (zh) | 2021-09-29 | 2021-09-29 | 一种水电厂安全生产人工智能报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887799A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898533A (zh) * | 2022-02-28 | 2022-08-12 | 国电南京自动化股份有限公司 | 一种水利水电智能报警方法及系统 |
-
2021
- 2021-09-29 CN CN202111150022.2A patent/CN113887799A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898533A (zh) * | 2022-02-28 | 2022-08-12 | 国电南京自动化股份有限公司 | 一种水利水电智能报警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345282B (zh) | 一种基于人工智能的泵站运行异常诊断方法及系统 | |
Folmer et al. | Computing dependent industrial alarms for alarm flood reduction | |
CN107145959A (zh) | 一种基于大数据平台的电力数据处理方法 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN109726200A (zh) | 基于双向深度神经网络的电网信息系统故障定位系统及方法 | |
CN106199494A (zh) | 一种基于计量装置故障的智能诊断系统 | |
CN113240211B (zh) | 废水排放预测方法、装置、计算机设备和存储介质 | |
CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN113887799A (zh) | 一种水电厂安全生产人工智能报警方法 | |
CN114430331A (zh) | 一种基于知识图谱的网络安全态势感知方法及系统 | |
CN110033102A (zh) | 一种巨型水电厂具有学习功能的智能诊断方法及专家系统 | |
Cao et al. | Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree | |
CN116302835A (zh) | 一种运维数据异常检测装置、方法及存储介质 | |
CN116015903A (zh) | 一种网络安全态势感知综合分析系统及其方法 | |
Museux et al. | Complex event processing approach for strategic intelligence | |
CN112510699A (zh) | 一种基于大数据的变电站二次设备状态分析方法及设备 | |
CN114546754A (zh) | 自动化智能监控方法、系统及地图数据云平台 | |
CN110442837A (zh) | 复杂周期模型的生成方法、装置及其检测方法、装置 | |
Ding et al. | Ttercl: An onsite real-time alarm root-cause location algorithm | |
CN113514717B (zh) | 一种非侵入式电力负荷监测系统 | |
CN109558258A (zh) | 一种分布式系统根源故障定位的方法及装置 | |
CN117540372B (zh) | 智能学习的数据库入侵检测与响应系统 | |
CN116739223B (zh) | 企业排污实时监管方法、装置、存储介质及电子设备 | |
CN117498561B (zh) | 一种基于边缘计算的电网异常运行状态监测方法 |
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 |