CN113960965A - 数据处理方法、装置、电子设备和可读存储介质 - Google Patents
数据处理方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN113960965A CN113960965A CN202111129611.2A CN202111129611A CN113960965A CN 113960965 A CN113960965 A CN 113960965A CN 202111129611 A CN202111129611 A CN 202111129611A CN 113960965 A CN113960965 A CN 113960965A
- Authority
- CN
- China
- Prior art keywords
- point data
- measuring point
- detection object
- data
- limit value
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000003672 processing method Methods 0.000 title abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 158
- 238000010801 machine learning Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000009776 industrial production Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013450 outlier detection Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 67
- 238000004364 calculation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013107 unsupervised machine learning method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种数据处理方法、装置、电子设备和可读存储介质,涉及大数据、云服务、深度学习等人工智能技术领域。数据处理方法包括:确定与检测对象对应的目标消息队列;从所述目标消息队列中获取所述检测对象的测点数据,所述测点数据是网关设备在接收到由传感器针对所述检测对象所采集的测点数据之后推送到目标消息队列中的;根据所述测点数据,使用机器学习的方法完成对所述检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种。本公开能够有效地对测点数据进行使用,自动地实现对于检测对象的状态的监控、诊断与预测。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及大数据、云服务、深度学习等人工智能技术领域。提供了一种数据处理方法、装置、电子设备和可读存储介质。
背景技术
目前,大部分工业流水线的生产过程主要依靠行业专家进行机理建模,并对生产过程进行监控与值守。运行工程师靠观测运行工况和相关的运行数据,凭经验判断与处理异常工况。
但是,当生产条件与运行工况发生变化时,运行工程师难以及时准确地预测、判断与处理异常工况,人工成本较高,且无法全面有效地对生产的各个环节进行实时监控。
发明内容
根据本公开的第一方面,提供了一种数据处理方法,包括:确定与检测对象对应的目标消息队列;从所述目标消息队列中获取所述检测对象的测点数据,所述测点数据是网关设备在接收到由传感器针对所述检测对象所采集的测点数据之后推送到目标消息队列中的;根据所述测点数据,使用机器学习的方法完成对所述检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种。
根据本公开的第二方面,提供了一种数据处理装置,包括:确定单元,用于确定与检测对象对应的目标消息队列;获取单元,用于从所述目标消息队列中获取所述检测对象的测点数据,所述测点数据是网关设备在接收到由传感器针对所述检测对象所采集的测点数据之后推送到目标消息队列中的;处理单元,用于根据所述测点数据,使用机器学习的方法完成对所述检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种。
根据本公开的第三方面,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如上所述的方法。
根据本公开的第四方面,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如上所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
由以上技术方案可以看出,本公开的控制系统从对应检测对象的目标消息队列中获取测点数据之后,使用机器学习的方法处理所获取的测点数据,即可完成对检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种,从而有效地对测点数据进行使用,自动地实现对于检测对象的状态的监控、诊断与预测。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是用来实现本公开实施例的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示,本实施例的数据处理方法,具体包括如下步骤:
S101、确定与检测对象对应的目标消息队列;
S102、从所述目标消息队列中获取所述检测对象的测点数据,所述测点数据是网关设备在接收到由传感器针对所述检测对象所采集的测点数据之后推送到目标消息队列中的;
S103、根据所述测点数据,使用机器学习的方法完成对所述检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种。
本实施例的数据处理方法的执行主体为控制系统,该控制系统从对应检测对象的目标消息队列中获取的测点数据,即为检测对象在生产过程中所产生的生产数据,进而使用机器学习的方法处理所获取的测点数据,即可完成对检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种,从而有效地对测点数据进行使用,自动地实现对于检测对象的状态的监控、诊断与预测。
本实施例中的检测对象为工业流水线中的工业生产设备,例如在工业印染流水线中,本实施例中的检测对象可以为染色长车中的前车设备、中车设备与后车设备中的至少一种。
在本实施例中,不同的检测对象对应于不同的消息队列,即不同的工业生产设备通过不同的消息队列来向控制系统发送测点数据;通过对工业生产设备的消息队列进行划分的方式,能够确保不同的消息队列中仅含有唯一的工业生产设备的测点数据,避免了不同的工业生产设备之间测点数据的互相干扰。
本实施例执行S101确定的目标消息队列,即为与进行状态分析的检测对象对应的消息队列,该消息队列中包含该检测对象的测点数据;可以理解的是,若检测对象为多个时,则本实施例执行S101会确定多个目标消息队列。
本实施例在执行S101确定了与检测对象对应的目标消息队列之后,执行S102从所确定的目标消息队列中获取该检测对象的测点数据;其中,本实施例中的测点数据是网关设备在接收到由传感器针对该检测对象所采集的测点数据之后推送到目标消息队列中的。
其中,本实施例中的消息队列建立在网关设备与控制系统之间,用于网关设备与控制系统之间传递消息;位于检测对象上的传感器在采集完测点数据之后,将所采集的测点数据发送给网关设备,网关设备将所接收的测点数据打包成固定格式之后,再推送到该检测对象对应的目标消息队列中,以用于控制系统从目标消息队列中进行获取,从而避免了由传感器直接将所采集的测点数据发送至控制系统所导致的控制系统的数据压力较大的问题。
为了进一步减轻控制系统的数据压力,网关设备还可以采用批量推送的方式,将检测对象的测点数据推送到消息队列中,从而将数据压力转移到网关设备,确保控制系统的实时性与可用性。
本实施例执行S102从目标消息队列中获取的检测对象的测点数据,为检测对象的相应测点(转速、压力、阀门开度、蒸汽压力等)处于不同时刻的时序数据;所获取的测点数据可以为检测对象的转速数据、压力数据、阀门开度数据等设备参数数据,也可以为检测对象的蒸汽压力数据、蒸汽流量数据、蒸汽温度数据、水耗量、电耗量等生产用能数据,还可以为检测对象的合格率等产品品质数据。
本实施例执行S102所获取的测点数据,可以为一种类型的数据,也可以为多种类型的数据。
本实施例在执行S102获取了检测对象的测点数据之后,执行S103根据所获取的测点数据,使用机器学习的方法完成对该检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种。
可以理解的是,若本实施例在执行S102获取了多个不同类型的测点数据,则本步骤在执行S103时可以根据不同类型的测点数据来分别完成对检测对象的状态的分析。
具体地,本实施例在执行S103根据测点数据,使用机器学习的方法完成对检测对象的实时状态监控时,可以采用的可选实现方式为:将位于预设时间窗口内的测点数据作为目标测点数据,预设时间窗口可以根据实际需求进行设置;将所获取的目标测点数据输入第一神经网络模型,得到由第一神经网络模型输出的控制上限(UCL,Upper ControlLimit)值与控制下限(LCL,Lower Control Limit)值;将目标测点数据中超出控制上限值或者控制下限值的测点数据标记为异常点。
也就是说,本实施例通过机器学习的方法,根据所获取的目标测点数据即可确定是否存在属于异常点的测点数据,进而在确定测点数据为异常点之后,再发出相应的警报,能够提升实时状态监控的准确性。
本实施例在根据目标测点数据得到控制上限值与控制下限值时,还可以基于M估计的稳健均值和标准差计算得到。
本实施例在执行S103根据测点数据,使用机器学习的方法完成对检测对象的实时状态监控时,还可以将目标测点测点数据、根据目标测点数据得到的控制上限值与控制上限值、以及所确定的属于异常点的测点数据在屏幕上进行显示。
本实施例在执行S103根据测点数据,使用机器学习的方法完成对检测对象的实时状态监控时,还可以根据位于预设时间窗口内的测点数据进行中位数、平稳性、水平漂移、周期性等特征的计算,进而根据计算结果对属于异常点的测点数据进行标记。
举例来说,本实施例可以通过对目标测点数据进行ADF检验与KPSS检验,在确定所得到的两种检验结果均为不平稳时,将相应的测点数据标记为异常点;本实施例还可以对所显示的测点数据的斜率进行计算,在确定斜率的绝对值超过预设阈值时,将该测点数据标记为异常点。
本实施例在执行S103将测点数据标记为异常点之后,还可以发出相应的警报。
具体地,本实施例在执行S103将测点数据标记为异常点之后,还可以包含以下内容:确定属于异常点的测点数据的异常类型,例如转速较高、压力较大等异常类型;获取与所确定的异常类型对应的控制指令;将所获取的控制指令通过目标消息队列发送至检测对象,以用于检测对象根据所接收到的控制指令执行相应的操作,例如减少阀门开度等。
也就是说,本实施例能够在确定测点数据出现异常之后,获取相应的控制指令通过目标消息队列发送至检测对象,以使得检测对象通过执行相应的操作来维持正常运行。
具体地,本实施例在执行S103根据测点数据,使用机器学习的方法完成对检测对象的历史状态诊断时,可以采用的可选实现方式为:获取历史测点数据,例如可以将位于用户所输入时间段内的测点数据作为历史测点数据,也可以将位于当前时间之前的预设时间段内的测点数据作为历史测点数据;使用多种预设类型的机器学习方法,对所获取的历史测点数据进行离群点(Outlier)检测;在确定历史测点数据属于离群点的次数超过预设次数阈值时,将该历史测点数据作为报警值,即将该测点数据对应的数值作为报警值。
其中,本实施例中预设类型的机器学习方法包含K-means聚类方法、高斯方法、独立森林方法、支持向量机方法等无监督机器学习方法。
由于不同机器学习方法进行离群点检测时的原理具有差异性,每种机器学习方法检测出的离群点不完全一致,因此本实施例通过投票机制(Voting Mechanism),将预设数量的机器学习方法共同检测出的离群点作为报警值,能够提升在进行测点数据的历史状态诊断时的准确性。
本实施例执行S103在确定历史测点数据属于离群点的次数超过预设次数阈值时,将该历史测点数据作为报警值之后,还可以包含以下内容:将所获取的历史测点数据输入第一神经网络模型,得到由第一神经网络模型输出的控制上限值与控制下限值;将历史测点数据、报警值、控制上限值与控制下限值进行显示。
也就是说,本实施例通过第一神经网络模型来得到控制上、下限值,进而将历史测点数据、报警值与控制上、下限值一同进行显示,使得测点数据的历史状态诊断结果更为丰富。
本实施例在执行S103获取历史测点数据之后,还可以根据历史测点数据进行预设类型的统计特征的计算,例如控制上限值、控制下限值、中位数、均值、标准差、最大值、方差、变异系数等统计特征,将各统计特征的计算结果作为历史状态的诊断结果。
具体地,本实施例在执行S103根据测点数据,使用机器学习的方法完成对检测对象的未来状态预测时,可以采用的可选实现方式为:确定与检测对象对应的关联检测对象;获取所确定的关联检测对象的关联测点数据;将检测对象的测点数据与关联检测对象的关联测点数据输入第二神经网络模型,得到第二神经网络模型输出的预测测点数据;将预测测点数据作为检测对象的未来状态预测结果,本实施例中的第二神经网络模型为向量自相关模型、动态模型平均、循环神经网络等多变量的时序模型。
也就是说,本实施例通过机器学习的方法,根据所获取的关联检测对象的关联测点数据来完成对检测对象的未来状态的预测,能够提升所得到的预测测点数据的准确性,进而使用所得到的预测测点数据可以进行成本预算等处理。
其中,本实施例在执行S103确定与检测对象具有关联的关联检测对象时,可以采用的可选实现方式为:获取检测对象所在的工业流水线的设备拓扑图,该设备拓扑图中包含不同的工业生产设备与不同的工业生产设备之间的连接关系;根据所获取的设备拓扑图,将与检测对象具有连接关系的检测对象,作为关联检测对象。
另外,本实施例在执行S103在将预测测点数据作为检测对象的未来状态预测结果时,还可以包含以下内容:根据检测对象的测点数据与关联检测对象的关联测点数据,得到检测对象的预测测点数据的置信范围,进而可以将所得到的置信范围与预测测点数据一同进行显示,其中,本实施可以使用包含多个子模型的动态模型平均的方法来得到置信范围。
图2是根据本公开第二实施例的示意图。图2示出了本实施例的数据处理方法的架构图,包含位于子设备之上的传感器、网关设备与控制系统;网关设备可以基于HTTP通信来接收传感器所发送的测点数据;网关设备可以基于TCP Socket通信来向子设备发送控制系统所发送的控制指令;网关设备与控制系统之间通过建立消息队列的方式来进行测点数据与控制指令的传递。
图3是根据本公开第二实施例的示意图。如图3所示,本实施例的数据处理装置300位于控制系统,包括:
确定单元301、用于确定与检测对象对应的目标消息队列;
获取单元302、用于从所述目标消息队列中获取所述检测对象的测点数据,所述测点数据是网关设备在接收到由传感器针对所述检测对象所采集的测点数据之后推送到目标消息队列中的;
处理单元303、用于根据所述测点数据,使用机器学习的方法完成对所述检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种。
确定单元301确定的目标消息队列,即为与进行状态分析的检测对象对应的消息队列,该消息队列中包含该检测对象的测点数据;可以理解的是,若检测对象为多个时,则确定单元301会确定多个目标消息队列。
本实施例在由确定单元301确定了与检测对象对应的目标消息队列之后,由获取单元302从所确定的目标消息队列中获取该检测对象的测点数据;其中,获取单元302所获取的测点数据是网关设备在接收到由传感器针对该检测对象所采集的测点数据之后推送到目标消息队列中的。
获取单元302从目标消息队列中获取的检测对象的测点数据,为检测对象的相应测点(转速、压力、阀门开度、蒸汽压力等)处于不同时刻的时序数据;所获取的测点数据可以为检测对象的转速数据、压力数据、阀门开度数据等设备参数数据,也可以为检测对象的蒸汽压力数据、蒸汽流量数据、蒸汽温度数据、水耗量、电耗量等生产用能数据,还可以为检测对象的合格率等产品品质数据。
获取单元302所获取的测点数据,可以为一种类型的数据,也可以为多种类型的数据。
本实施例在由获取单元302获取了检测对象的测点数据之后,由处理单元303根据所获取的测点数据,使用机器学习的方法完成对该检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种。
可以理解的是,若获取单元302获取了多个不同类型的测点数据,则处理单元303可以根据不同类型的测点数据来分别完成对检测对象的状态的分析。
具体地,处理单元303在根据测点数据,使用机器学习的方法完成对检测对象的实时状态监控时,可以采用的可选实现方式为:将位于预设时间窗口内的测点数据作为目标测点数据;将所获取的目标测点数据输入第一神经网络模型,得到由第一神经网络模型输出的控制上限值与控制下限值;将目标测点数据中超出控制上限值或者控制下限值的测点数据标记为异常点。
也就是说,处理单元303通过所获取的目标测点数据即可确定是否存在属于异常点的测点数据,进而在确定测点数据为异常点之后,可以发出相应的警报,能够提升实时状态监控的准确性。
处理单元303在根据目标测点数据得到控制上限值与控制下限值时,还可以基于M估计的稳健均值和标准差计算得到。
处理单元303在根据测点数据,使用机器学习的方法完成对检测对象的实时状态监控时,还可以将所获取的测点数据、根据测点数据所得到的控制上限值与控制上限值、以及所确定的异常点在屏幕中进行显示。
处理单元303在根据测点数据,使用机器学习的方法完成对检测对象的实时状态监控时,还可以根据位于预设时间窗口内的目标测点数据进行中位数、平稳性、水平漂移、周期性等特征的计算,进而根据计算结果对异常的测点数据进行标记。
处理单元303在将测点数据标记为异常点之后,还可以发出相应的警报。
本实施例的数据处理装置300还可以包含报警单元304,用于在处理单元303将测点数据标记为异常点之后,执行以下内容:确定属于异常点的测点数据的异常类型;获取与所确定的异常类型对应的控制指令;将所获取的控制指令通过目标消息队列发送至检测对象,以用于检测对象根据所接收到的控制指令执行相应的操作。
也就是说,报警单元304能够在确定测点数据出现异常之后,获取相应的控制指令发送至检测对象,以使得检测对象通过执行相应的操作来维持正常运行。
具体地,处理单元303在根据测点数据,使用机器学习的方法完成对检测对象的历史状态诊断时,可以采用的可选实现方式为:获取历史测点数据;使用多种预设类型的机器学习方法,对所获取的历史测点数据进行离群点检测;在确定历史测点数据属于离群点的次数超过预设次数阈值时,将该历史测点数据作为报警值。
其中,处理单元303中预设类型的机器学习方法包含K-means聚类方法、高斯方法、独立森林方法、支持向量机方法等无监督机器学习方法。
处理单元303在将该历史测点数据作为报警值时,还可以包含以下内容:将所获取的历史测点数据输入第一神经网络模型,得到由第一神经网络模型输出的控制上限值与控制下限值;将历史测点数据、报警值、控制上限值与控制下限值进行显示。
另外,处理单元303在获取历史测点数据之后,还可以根据历史测点数据进行预设类型的统计特征的计算,例如控制上限值、控制下限值、中位数、均值、标准差、最大值、方差、变异系数等统计特征;将各统计特征的计算结果作为历史状态的诊断结果。
具体地,处理单元303在根据测点数据,使用机器学习的方法完成对检测对象的未来状态预测时,可以采用的可选实现方式为:确定与检测对象对应的关联检测对象;获取所确定的关联检测对象的关联测点数据;将检测对象的测点数据与关联检测对象的关联测点数据输入第二神经网络模型,得到第二神经网络模型输出的预测测点数据;将所得到的预测测点数据作为检测对象的未来状态预测结果,本实施例中的第二神经网络模型为向量自相关模型、动态模型平均、循环神经网络等多变量的时序模型。
也就是说,处理单元303通过获取关联检测对象的关联测点数据来完成对检测对象的未来状态的预测,能够提升所得到的预测测点数据的准确性,进而使用所得到的预测测点数据可以进行成本预算等处理。
其中,处理单元303确定与检测对象具有关联的关联检测对象时,可以采用的可选实现方式为:获取检测对象所在的工业流水线的设备拓扑图;根据所获取的设备拓扑图,将与检测对象具有连接关系的检测对象,作为关联检测对象。
另外,处理单元303在将所得到的预测测点数据作为检测对象的未来状态预测结果时,可以包含以下内容:根据检测对象的测点数据与关联检测对象的关联测点数据,得到检测对象的预测测点数据的置信范围,进而可以将所得到的置信范围与预测测点数据一同进行显示,其中,本实施可以使用包含多个子模型的动态模型平均的方法来得到置信范围。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图4所示,是根据本公开实施例的数据处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,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,个人数字处理、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4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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。
计算单元401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401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401执行上文所描述的各个方法和处理,例如数据处理方法。例如,在一些实施例中,数据处理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408。
在一些实施例中,计算机程序的部分或者全部可以经由ROM402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据处理方法。
此处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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也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。
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执行也可以不同的次序执行,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。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种数据处理方法,包括:
确定与检测对象对应的目标消息队列;
从所述目标消息队列中获取所述检测对象的测点数据,所述测点数据是网关设备在接收到由传感器针对所述检测对象所采集的测点数据之后推送到目标消息队列中的;
根据所述测点数据,使用机器学习的方法完成对所述检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种。
2.根据权利要求1所述的方法,其中,所述根据所述测点数据,使用机器学习的方法完成对所述检测对象的实时状态监控包括:
将位于预设时间窗口内的测点数据作为目标测点数据;
将所述目标测点数据输入第一神经网络模型,得到由所述第一神经网络模型输出的控制上限值与控制下限值;
将所述目标测点数据中超出控制上限值或者控制下限值的测点数据标记为异常点。
3.根据权利要求2所述的方法,还包括,
在将所述目标测点数据中超出控制上限值或者控制下限值的测点数据标记为异常点之后,确定属于异常点的测点数据的异常类型;
获取与所述异常类型对应的控制指令;
将所述控制指令通过所述目标消息队列发送至所述检测对象,以用于所述检测对象根据所述控制指令执行相应的操作。
4.根据权利要求1所述的方法,其中,所述根据所述测点数据,使用机器学习的方法完成对所述检测对象的历史状态诊断包括:
获取历史测点数据;
使用多种预设类型的机器学习方法,对所述历史测点数据进行离群点检测;
在确定历史测点数据属于离群点的次数超过预设次数阈值时,将该历史测点数据作为报警值。
5.根据权利要求4所述的方法,其中,所述将该历史测点数据作为报警值包括:
将所述历史测点数据输入第一神经网络模型,得到由所述第一神经网络模型输出的控制上限值与控制下限值;
将所述历史测点数据、报警值、控制上限值与控制下限值进行显示。
6.根据权利要求1所述的方法,其中,所述根据所述测点数据,使用机器学习的方法完成对所述检测对象的未来状态预测包括:
确定与所述检测对象对应的关联检测对象;
获取所述关联检测对象的关联测点数据;
将所述测点数据与所述关联测点数据输入第二神经网络模型,得到所述第二神经网络模型输出的预测测点数据;
将所述预测测点数据作为所述检测对象的未来状态预测结果。
7.根据权利要求6所述的方法,其中,所述确定与所述检测对象对应的关联检测对象包括:
获取所述检测对象所在的工业流水线的设备拓扑图;
根据所述设备拓扑图,将与所述检测对象具有连接关系的检测对象,作为所述关联检测对象。
8.根据权利要求6所述的方法,其中,所述将所述预测测点数据作为所述检测对象的未来状态预测结果包括:
根据所述测点数据与所述关联测点数据,得到所述检测对象的预测测点数据的置信范围;
将所述预测测点数据与所述预测测点数据的置信范围进行显示。
9.一种数据处理装置,包括:
确定单元,用于确定与检测对象对应的目标消息队列;
获取单元,用于从所述目标消息队列中获取所述检测对象的测点数据,所述测点数据是网关设备在接收到由传感器针对所述检测对象所采集的测点数据之后推送到目标消息队列中的;
处理单元,用于根据所述测点数据,使用机器学习的方法完成对所述检测对象的实时状态监控、历史状态诊断与未来状态预测中的至少一种。
10.根据权利要求9所述的装置,其中,所述处理单元在根据所述测点数据,使用机器学习的方法完成对所述检测对象的实时状态监控时,具体执行:
将位于预设时间窗口内的测点数据作为目标测点数据;
将所述目标测点数据输入第一神经网络模型,得到由所述第一神经网络模型输出的控制上限值与控制下限值;
将所述目标测点数据中超出控制上限值或者控制下限值的测点数据标记为异常点。
11.根据权利要求10所述的装置,还包括报警单元,用于执行:
在处理单元将所述目标测点数据中超出控制上限值或者控制下限值的测点数据标记为异常点之后,确定属于异常点的测点数据的异常类型;
获取与所述异常类型对应的控制指令;
将所述控制指令通过所述目标消息队列发送至所述检测对象,以用于所述检测对象根据所述控制指令执行相应的操作。
12.根据权利要求9所述的装置,其中,所述处理单元在根据所述测点数据,使用机器学习的方法完成对所述检测对象的历史状态诊断时,具体执行:
获取历史测点数据;
使用多种预设类型的机器学习方法,对所述历史测点数据进行离群点检测;
在确定历史测点数据属于离群点的次数超过预设次数阈值时,将该历史测点数据作为报警值。
13.根据权利要求12所述的装置,所述处理单元在将该历史测点数据作为报警值时,具体执行:
将所述历史测点数据输入第一神经网络模型,得到由所述第一神经网络模型输出的控制上限值与控制下限值;
将所述历史测点数据、报警值、控制上限值与控制下限值进行显示。
14.根据权利要求9所述的装置,其中,所述处理单元在根据所述测点数据,使用机器学习的方法完成对所述检测对象的未来状态预测时,具体执行:
确定与所述检测对象对应的关联检测对象;
获取所述关联检测对象的关联测点数据;
将所述测点数据与所述关联测点数据输入第二神经网络模型,得到所述第二神经网络模型输出的预测测点数据;
将所述预测测点数据作为所述检测对象的未来状态预测结果。
15.根据权利要求14所述的装置,其中,所述处理单元在确定与所述检测对象对应的关联检测对象时,具体执行:
获取所述检测对象所在的工业流水线的设备拓扑图;
根据所述设备拓扑图,将与所述检测对象具有连接关系的检测对象,作为所述关联检测对象。
16.根据权利要求14所述的装置,其中,所述处理单元在将所述预测测点数据作为所述检测对象的未来状态预测结果时,具体执行:
根据所述测点数据与所述关联测点数据,得到所述检测对象的预测测点数据的置信范围;
将所述预测测点数据与所述预测测点数据的置信范围进行显示。
17.一种电子设备,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1-8中任一项所述的方法。
18.一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权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129611.2A CN113960965B (zh) | 2021-09-26 | 2021-09-26 | 数据处理方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129611.2A CN113960965B (zh) | 2021-09-26 | 2021-09-26 | 数据处理方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113960965A true CN113960965A (zh) | 2022-01-21 |
CN113960965B CN113960965B (zh) | 2024-04-23 |
Family
ID=79462666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111129611.2A Active CN113960965B (zh) | 2021-09-26 | 2021-09-26 | 数据处理方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113960965B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341621A (zh) * | 2017-08-04 | 2017-11-10 | 安徽大学 | 一种分布式矿井通风实时解算和分析预警方法及系统 |
CN110431503A (zh) * | 2017-03-24 | 2019-11-08 | Abb瑞士股份有限公司 | 用于监测工业过程系统的技术状态的计算机系统和方法 |
US20190377403A1 (en) * | 2018-06-11 | 2019-12-12 | Lucid Circuit, Inc. | Systems and methods for autonomous hardware compute resiliency |
CN110570012A (zh) * | 2019-08-05 | 2019-12-13 | 华中科技大学 | 一种基于Storm的电厂生产设备故障预警方法及系统 |
CN111598346A (zh) * | 2020-05-20 | 2020-08-28 | 北京三一智造科技有限公司 | 故障检测方法、装置、检测设备、旋挖机及存储介质 |
-
2021
- 2021-09-26 CN CN202111129611.2A patent/CN113960965B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110431503A (zh) * | 2017-03-24 | 2019-11-08 | Abb瑞士股份有限公司 | 用于监测工业过程系统的技术状态的计算机系统和方法 |
CN107341621A (zh) * | 2017-08-04 | 2017-11-10 | 安徽大学 | 一种分布式矿井通风实时解算和分析预警方法及系统 |
US20190377403A1 (en) * | 2018-06-11 | 2019-12-12 | Lucid Circuit, Inc. | Systems and methods for autonomous hardware compute resiliency |
CN110570012A (zh) * | 2019-08-05 | 2019-12-13 | 华中科技大学 | 一种基于Storm的电厂生产设备故障预警方法及系统 |
CN111598346A (zh) * | 2020-05-20 | 2020-08-28 | 北京三一智造科技有限公司 | 故障检测方法、装置、检测设备、旋挖机及存储介质 |
Non-Patent Citations (1)
Title |
---|
王意洁;程力;马行空;: "运用警报关联的威胁行为检测技术综述", 国防科技大学学报, no. 05, 28 October 2017 (2017-10-28), pages 131 - 141 * |
Also Published As
Publication number | Publication date |
---|---|
CN113960965B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095336B (zh) | 关键点检测模型的训练方法和检测目标对象关键点的方法 | |
CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
CN114721345A (zh) | 基于强化学习的工业控制方法、装置、系统和电子设备 | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN114881167A (zh) | 异常检测方法、装置、电子设备和介质 | |
CN117151445B (zh) | 一种电网调度知识图谱管理系统及其动态更新方法 | |
CN113960965B (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN114330437A (zh) | 一种故障检测方法及故障分类模型的训练方法、装置 | |
CN113847923A (zh) | 预估到达时间的计算方法、装置、电子设备和可读存储介质 | |
CN113360486B (zh) | 数据预测方法、装置、电子设备和介质 | |
CN114563045B (zh) | 一种医院后勤系统的检测方法、装置、电子设备及介质 | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN117707899A (zh) | 一种微服务异常检测方法、装置、设备及存储介质 | |
CN116796620A (zh) | 一种抽水蓄能机组油温预测方法、装置、设备及存储介质 | |
CN115238811A (zh) | 异常检测模型的训练方法、装置、设备及存储介质 | |
CN115774648A (zh) | 一种异常定位方法、装置、设备以及存储介质 | |
CN115361078A (zh) | 一种传输区间确定方法、装置、电子设备及介质 | |
CN117195704A (zh) | 一种检测模型训练、设备故障检测方法及装置 | |
CN116383611A (zh) | 数据清洗方法、装置以及设备 | |
CN117473248A (zh) | 一种薄膜电容器的寿命预测方法、装置及电子设备 | |
CN115829160A (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
CN117835148A (zh) | 一种5g网络的预警方法、装置、设备及介质 | |
CN118154166A (zh) | 一种设备维护方法、装置、设备以及存储介质 |
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 |