CN114065627A - 温度异常检测方法、装置、电子设备和介质 - Google Patents
温度异常检测方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN114065627A CN114065627A CN202111358589.9A CN202111358589A CN114065627A CN 114065627 A CN114065627 A CN 114065627A CN 202111358589 A CN202111358589 A CN 202111358589A CN 114065627 A CN114065627 A CN 114065627A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- pressure
- prediction
- model
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种温度异常检测方法、装置、设备、介质和产品,涉及计算机技术领域,具体为深度学习领域。温度异常检测方法包括:获取温度数据和与温度相关联的参考数据;处理温度数据和参考数据,得到目标特征数据,其中,目标特征数据包括第一特征数据、第二特征数据和第三特征数据中的至少一个,第一特征数据与温度数据相关联,第二特征数据与参考数据相关联,第三特征数据与温度数据和参考数据相关联;基于温度数据、参考数据和目标特征数据,预测温度的异常情况。
Description
技术领域
本公开涉及计算机技术领域,具体为深度学习领域,更具体地,涉及一种温度异常检测方法、装置、电子设备、介质和程序产品。
背景技术
在一些场景中,通常需要检测温度是否异常,例如在火力发电站场景,需要检测锅炉的管壁温度是否发生异常,便于及时采取有效措施,以提高锅炉的使用寿命。
发明内容
本公开提供了一种温度异常检测方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种温度异常检测方法,包括:获取温度数据和与温度相关联的参考数据;处理所述温度数据和所述参考数据,得到目标特征数据,其中,所述目标特征数据包括第一特征数据、第二特征数据和第三特征数据中的至少一个,所述第一特征数据与所述温度数据相关联,所述第二特征数据与所述参考数据相关联,所述第三特征数据与所述温度数据和所述参考数据相关联;基于所述温度数据、所述参考数据和所述目标特征数据,预测温度的异常情况。
根据本公开的另一方面,提供了一种温度异常检测装置,包括:获取模块、处理模块以及预测模块。获取模块,用于获取温度数据和与温度相关联的参考数据;处理模块,用于处理所述温度数据和所述参考数据,得到目标特征数据,其中,所述目标特征数据包括第一特征数据、第二特征数据和第三特征数据中的至少一个,所述第一特征数据与所述温度数据相关联,所述第二特征数据与所述参考数据相关联,所述第三特征数据与所述温度数据和所述参考数据相关联;预测模块,用于基于所述温度数据、所述参考数据和所述目标特征数据,预测温度的异常情况。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和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上述的温度异常检测方法。
根据本公开的另一方面,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,所述计算机指令用于使所述计算机执行上述的温度异常检测方法。
根据本公开的另一方面,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上述的温度异常检测方法。
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示意性示出了根据本公开一实施例的温度异常检测和装置的系统架构;
图2示意性示出了根据本公开一实施例的温度异常检测方法的流程图;
图3示意性示出了根据本公开一实施例的温度异常检测方法的原理图;
图4示意性示出了根据本公开一实施例的温度异常检测方法的原理图;
图5示意性示出了根据本公开一实施例的温度异常检测装置的框图;以及
图6是用来实现本公开实施例的用于执行温度异常检测的电子设备的框图。
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结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种温度异常检测方法,包括:获取温度数据和与温度相关联的参考数据。然后,处理温度数据和参考数据,得到目标特征数据,目标特征数据包括第一特征数据、第二特征数据和第三特征数据中的至少一个,第一特征数据与温度数据相关联,第二特征数据与参考数据相关联,第三特征数据与温度数据和参考数据相关联。接下来,基于温度数据、参考数据和目标特征数据,预测温度的异常情况。
图1示意性示出了根据本公开一实施例的温度异常检测和装置的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括数据采集装置101、102、103,网络104和服务器105。网络104用以在数据采集装置101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
数据采集装置101、102、103可以通过网络104与服务器105交互,以接收或发送消息等。数据采集装置101、102、103例如包括各种类型的传感器、例如包括温度传感器、压力传感器等。
服务器105可以是提供各种服务的服务器,可以是具有云计算功能云服务器。
需要说明的是,本公开实施例所提供的温度异常检测方法可以由服务器105执行。相应地,本公开实施例所提供的温度异常检测装置可以设置于服务器105中。本公开实施例所提供的温度异常检测方法也可以由不同于服务器105且能够与数据采集装置101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的温度异常检测装置也可以设置于不同于服务器105且能够与数据采集装置101、102、103和/或服务器105通信的服务器或服务器集群中。
在一种示例中,服务器105可以通过网络104获取来自数据采集装置101、102、103的温度数据和与温度相关联的参考数据,并基于温度数据和与温度相关联的参考数据,预测温度的异常情况。
应该理解,图1中的客户端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的客户端、网络和服务器。
本公开实施例提供了一种温度异常检测方法,下面结合图1的系统架构,参考图2~图4来描述根据本公开示例性实施方式的温度异常检测方法。本公开实施例的温度异常检测方法例如可以由图1所示的服务器来执行,图1所示的服务器例如以下文的电子设备相同或类似。
图2示意性示出了根据本公开一实施例的温度异常检测方法的流程图。
如图2所示,本公开实施例的温度异常检测方法200例如可以包括操作S210~操作S230。
在操作S210,获取温度数据和与温度相关联的参考数据。
在操作S220,处理温度数据和参考数据,得到目标特征数据。
在操作S230,基于温度数据、参考数据和目标特征数据,预测温度的异常情况。
示例性地,温度数据和参考数据例如是针对锅炉管壁的数据,温度数据和参考数据例如由数据采集装置采集。数据采集装置包括但不仅限于温度传感器、压力传感器等等。
在一示例中,参考数据例如包括但不仅限于压力数据、功率数据等等,参考数据在一定程度上可以表征锅炉管壁的温度是否正常。
示例性地,目标特征数据例如包括第一特征数据、第二特征数据和第三特征数据中的至少一个。第一特征数据例如与温度数据相关联,第二特征数据例如与参考数据相关联,第三特征数据例如与温度数据和参考数据相关联。
例如,处理温度数据得到第一特征数据,处理参考数据得到第二特征数据,处理温度数据和参考数据得到第三特征数据。
接下来,处理温度数据、参考数据和目标特征数据,得到针对温度的预测结果,预测结果例如表示锅炉管壁未来的温度或者锅炉管壁的温度异常情况。
根据本公开的实施例,处理针对锅炉管壁的温度数据和参考数据,得到多种类型的目标特征数据,然后基于原始采集的温度数据和参考数据,以及多种类型的目标特征数据预测温度的异常情况。可以理解,由于原始采集的温度数据和参考数据中具有丰富的信息,并且目标特征数据具有较为明显的特征信息,因此基于原始采集的数据和多种类型的目标特征数据进行温度异常预测,提高了温度异常预测的准确性,便于及时根据预测结果采取相关的措施保护锅炉,提高锅炉的使用寿命。
图3示意性示出了根据本公开一实施例的温度异常检测方法的原理图。
如图3所示,由数据采集装置采集针对锅炉管道内壁的温度数据311和参考数据312,参考数据312例如包括但不仅限于压力数据和功率数据。
处理温度数据311得到第一特征数据321,例如处理在第一预设时间段内的温度数据311,得到第一预设时间段内的第一特征数据321。第一特征数据321例如包括温度的方差、温度的最大值、温度的最小值、温度的最大值和温度的最小值之间的比值等等。以温度的方差为例,第一预设时间段例如可以是6个小时,例如以长度为6个小时的方差滑动窗口统计温度的方差。第一特征数据321例如表征了温度数据311的内在特征。
处理参考数据312得到第二特征数据322,例如处理在第二预设时间段内的参考数据312,得到第二预设时间段内的第二特征数据322。参考数据312例如包括压力数据,第二特征数据322例如包括压力的方差、压力的最大值、压力的最小值、压力的最大值和压力的最小值之间的比值等等。以压力的方差为例,第二预设时间段可以和第一预设时间段相同也可以不同,第二预设时间段例如可以是6个小时,例如以长度为6个小时的方差滑动窗口统计压力的方差。第二特征数据322例如表征了压力数据的内在特征,第二特征数据322在一定程度上可以表征温度的信息。
处理温度数据311和参考数据312得到第三特征数据323,参考数据312例如包括压力数据和功率数据,例如处理在第三预设时间段内的温度数据311和参考数据312得到第三特征数据323,第三预设时间段可以和第一预设时间段或第二预设时间段相同也可以不同。第三特征数据323例如包括温度数据和压力数据之间的比值、温度数据和功率数据之间的比值、压力数据和功率数据之间的比值等等。第三特征数据323在一定程度上可以表征温度的信息。
接下来,将温度数据311、参考数据312、第一特征数据321、第二特征数据322、第三特征数据323作为输入数据330,并将输入数据330分别输入至少一类预测模型中进行处理。
例如,利用至少一类预测模型,分别处理于温度数据311、参考数据312和目标特征数据(第一特征数据321、第二特征数据322、第三特征数据323),得到与至少一类预测模型一一对应的至少一类预测结果。然后,基于至少一类预测结果,确定温度的异常情况。
以至少一类预测模型包括三类预测模型为例,第一类预测模型341例如为具有提取数据变化能力的树模型,第二类预测模型342例如为具有温度预测能力的神经网络模型,第三类预测模型343例如为具有提取数据规律信息和趋势信息的时间序列模型。
例如,第一类预测模型341可以是Xgboost集成树模型,Xgboost集成树模型对数据变化较为敏感,因此利用Xgboost集成树模型处理输入数据330,可以得到输入数据330中温度随时间变化的敏感信息。
例如,第二类预测模型342可以包括Informer神经网络模型和LSTNet神经网络模型。Informer神经网络模型例如是用于长序列时间序列预测的新型时间序列模型。LSTNet神经网络模型也称长短期时间序列网络模型。第二类预测模型342具有温度预测能力,因此利用第二类预测模型342处理输入数据330,可以得到针对温度的预测结果。
例如,第三类预测模型343可以是Prophet模型。Prophet模型例如是一种时间序列模型,具有提取数据规律信息和趋势信息的能力,因此利用Prophet模型处理输入数据330,可以得到输入数据330中温度的变化规律和变化趋势。
分别由Xgboost集成树模型、Informer神经网络模型、LSTNet神经网络模型和Prophet模型分别处理输入数据330,得到一一对应的预测结果351、352、353、354,预测结果351、352、353、354例如表征了温度异常的预测信息。然后,综合考虑预测结果351、352、353、354得到最终的温度的异常情况360。
根据本公开的实施例,通过多种类型的预测模型分别处理原始采集的温度数据和参考数据,以及多种类型的目标特征数据,得到多种类型的预测结果,相比于通过一种类型的预测模型进行预测带来的误差,综合考虑多种类型预测模型的预测结果来得到温度的异常情况,提高了温度异常的检测准确性。
图4示意性示出了根据本公开一实施例的温度异常检测方法的原理图。图4所示的实施例是在图3所示实施例的基础得到的技术方案。
如图4所示,处理温度数据411和参考数据412得到第一特征数据421、第二特征数据422和第三特征数据423。将温度数据411、参考数据412、第一特征数据421、第二特征数据422和第三特征数据423作为输入数据430,并将输入数据430分别输入第一类预测模型441、第二类预测模型442和第三类预测模型443。
针对Xgboost集成树模型、Informer神经网络模型、LSTNet神经网络模型和Prophet模型中的每个类别的预测模型,每个类别的预测模型包括多个模型,多个模型的模型参数彼此不同。例如,以Xgboost集成树模型为例,Xgboost集成树模型例如包括3个模型,3个模型的模型参数彼此不同。由此可见,可以得到12个模型。将输入数据430分别输入12个模型,得到与12个模型一一对应的12个预测结果451。
然后,从12个预测结果451中确定表征温度异常的预测结果数量,并基于预测结果数量和多个模型的数量(12个)之间的比值,确定温度的异常情况460。例如,当比值大于或等于2/3时,将异常结果作为温度的异常情况460的最终预测结果。
在一示例中,当12个预测结果451中具有8个或8个以上的预测结果表征温度异常时,则将异常结果作为温度的异常情况460的最终预测结果。
据本公开的实施例,针对每种类型的预测模型,通过设置不同的模型参数得到多个模型,并利用每个模型进行温度预测得到预测结果,然后基于多个预测结果中表征温度异常的预测结果数量和模型数量之间的比值来最终确定是否存在温度异常的情况,从而使得温度预测结果的可信度更高,从而提高了温度异常的检测准确性。
以下将描述另一示例的温度异常检测。
首先,利用传感器采集温度数据和参考数据,参考数据例如包括压力数据和功率数据。例如可以针对锅炉过热器分隔屏、锅炉汽包内壁、末级过热器、后屏过热器、过热器分隔屏、墨迹再热器、辐射再热器、分隔屏过热器等内壁进行温度数据、压力数据、功率数据的收集。
针对温度数据,设定传感器测点的参数,例如计算通过流量湍流,然后根据对流换热Dittus-Boelter方程基于锅炉管道进出口温度差计算出管壁温度,可以将计算得到的温度乘上一个能量损失系数得到最终的锅炉管道内壁温度,能量损失系数例如是经验值。
针对压力数据,可以利用压力传感器检测锅炉管壁温度内的压力大小。
针对功率数据,功率包括每小时水变成蒸汽的量,可以根据锅炉内部的蒸汽测量值获得功率数据。
在采集得到温度数据、压力数据、功率数据之后,可以对采集的数据进行预处理。例如,可以删除锅炉启动时间段的数据,这是由于这部分数据不稳定,噪声很大。另外,可以删除数据中存在缺失、异常、统计错误的数据。
对数据进行预处理之后,可以利用局部窗口方差处理温度数据和压力数据,分别得到针对温度数据和压力数据的方差、最大值、最小值、最大值和最小值的比值。局部窗口可以是长度为6小时的方差滑动窗口,用于统计数据的局部方差。如果某段时间内的局部温度方差或压力方差突然很大,那么表征锅炉产生异常的可能性较大,例如锅炉管道内壁可能存在泄露的情况。因此,基于方差不仅可以预测温度的异常情况,还可以预测锅炉的安全情况。
另外,对数据进行预处理之后,还可以基于预处理后的数据得到温度数据、压力数据、功率数据之间的两两比值。从数据分析结果来看,温度与压力、功率有着一定的比率关系,从分析数据特征来看,比值例如通常会维持在特定范围内。若锅炉管壁温度发生异常,温度与压力、功率之间的比值通常也会有一定波动起伏,因此可以基于比值确定温度的异常情况。
其中,温度数据和压力数据的方差、最大值、最小值、最大值和最小值的比值,以及温度数据、压力数据、功率数据之间的两两比值,可以作为目标特征数据输入预测模型中。
针对预处理后的温度数据、压力数据、功率数据,还可以对其进一步滤波处理,例如通过小波去噪、卡尔曼滤波器对数据进行滤波处理。去噪后的数据可以作为预测模型的输入,去噪后的数据例如可以反映出数据的变化趋势,将其作为预测模型的输入,可以提升模型的预测能力。
另外,可以实时检测锅炉管道内壁的温度。例如,针对不同的过热器,分隔屏内温度例如有一定的范围限制。例如高温过热器的正常温度一般在615度上下波动,而低温过热器的正常温度一般在457~512度之间。因此,可以绘制针对不同仪器(过滤器)的温度曲线,当检测的温度偏离正常曲线一定范围时可以初步认为温度出现异常。通过温度曲线检测温度异常的结果可以和模型预测结果作为综合结果进行温度异常的风险评估。
针对Xgboost集成树模型、Informer神经网络模型、LSTNet神经网络模型和Prophet模型中的每个类别模型,在模型训练时,需要利用多个训练样本进行训练。训练样本例如包括针对温度、压力、功率的训练数据和验证数据,验证数据的采集时间例如在训练数据的采集时间之后。
针对温度、压力、功率的训练数据例如包括:对温度数据、压力数据、功率数据进行预处理和滤波处理后得到的数据;温度和压力的方差、最大值、最小值、最大值和最小值的比例等特征数据;温度数据、压力数据、功率数据之间的两两比值等。训练数据的采集时间例如为第一时间,基于训练数据得到第二时间(在第一时间之后)的预测结果(预测结果例如包括温度的值或者温度是否异常)。将预测结果和验证数据进行比较得到差值,基于差值反向调整模型的参数,直到得到的预测结果与验证数据接近。
在训练好模型之后,在使用模型进行温度预测时,可以将数据输入到模型中,输入的数据例如包括:对温度数据、压力数据、功率数据进行预处理和滤波处理后得到的数据;温度和压力的方差、最大值、最小值、最大值和最小值的比例等特征数据;温度数据、压力数据、功率数据之间的两两比值等。模型输出未来的温度预测结果或者温度是否异常的结果。当模型输出未来的温度时,如果该温度偏离正常范围,表示未来的温度可能出现异常。
根据本公开的实施例,针对锅炉管壁受热进行风险管理,分析管壁温度上升的原因及其后果的严重程度。基于在线监控、精细化深度检测、健康状态评测,判断需要采取对应的措施,以提高锅炉运行的安全性,减少锅炉材料损耗,提升锅炉的使用寿命。
图5示意性示出了根据本公开一实施例的温度异常检测装置的框图。
如图5所示,本公开实施例的温度异常检测装置500例如包括获取模块510、处理模块520和预测模块530。
获取模块510可以用于获取温度数据和与温度相关联的参考数据。根据本公开实施例,获取模块510例如可以执行上文参考图2描述的操作S210,在此不再赘述。
处理模块520可以用于处理温度数据和参考数据,得到目标特征数据,其中,目标特征数据包括第一特征数据、第二特征数据和第三特征数据中的至少一个,第一特征数据与温度数据相关联,第二特征数据与参考数据相关联,第三特征数据与温度数据和参考数据相关联。根据本公开实施例,处理模块520例如可以执行上文参考图2描述的操作S220,在此不再赘述。
预测模块530可以用于基于温度数据、参考数据和目标特征数据,预测温度的异常情况。根据本公开实施例,预测模块530例如可以执行上文参考图2描述的操作S230,在此不再赘述。
根据本公开的实施例,预测模块530包括:处理子模块和确定子模块。处理子模块,用于利用至少一类预测模型,分别处理于温度数据、参考数据和目标特征数据,得到与至少一类预测模型一一对应的至少一类预测结果;确定子模块,用于基于至少一类预测结果,确定温度的异常情况。
根据本公开的实施例,针对至少一类预测模型中的每个类别,每个类别的预测模型包括多个模型,多个模型的模型参数彼此不同;确定子模块包括:第一确定单元和第二确定单元。第一确定单元,用于针对每个类别的预测模型,从与多个模型一一对应的多个预测结果中确定表征温度异常的预测结果数量;第二确定单元,用于基于预测结果数量和多个模型的数量之间的比值,确定温度的异常情况。
根据本公开的实施例,至少一类预测模型包括:具有提取数据变化能力的树模型、具有温度预测能力的神经网络模型、具有提取数据规律信息和趋势信息的时间序列模型。
根据本公开的实施例,第一特征数据包括以下至少一个,在第一预设时间段内:温度的方差、温度的最大值、温度的最小值、温度的最大值和温度的最小值之间的比值。
根据本公开的实施例,参考数据包括压力数据;第二特征数据包括以下至少一个,在第二预设时间段内:压力的方差、压力的最大值、压力的最小值、压力的最大值和压力的最小值之间的比值。
根据本公开的实施例,参考数据包括压力数据和功率数据;第三特征数据包括以下至少一个:温度数据和压力数据之间的比值、温度数据和功率数据之间的比值、压力数据和功率数据之间的比值。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,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。
图6是用来实现本公开实施例的用于执行温度异常检测的电子设备的框图。
图6示出了可以用来实施本公开实施例的示例电子设备600的示意性框图。电子设备600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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如温度异常检测方法。例如,在一些实施例中,温度异常检测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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的温度异常检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行温度异常检测方法。
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、现场可编程门阵列(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温度异常检测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。服务器可以是云服务器,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 (17)
1.一种温度异常检测方法,包括:
获取温度数据和与温度相关联的参考数据;
处理所述温度数据和所述参考数据,得到目标特征数据,其中,所述目标特征数据包括第一特征数据、第二特征数据和第三特征数据中的至少一个,所述第一特征数据与所述温度数据相关联,所述第二特征数据与所述参考数据相关联,所述第三特征数据与所述温度数据和所述参考数据相关联;以及
基于所述温度数据、所述参考数据和所述目标特征数据,预测温度的异常情况。
2.根据权利要求1所述的方法,其中,所述基于所述温度数据、所述参考数据和所述目标特征数据,预测温度异常情况包括:
利用至少一类预测模型,分别处理于所述温度数据、所述参考数据和所述目标特征数据,得到与所述至少一类预测模型一一对应的至少一类预测结果;以及
基于所述至少一类预测结果,确定温度的异常情况。
3.根据权利要求2所述的方法,其中,针对所述至少一类预测模型中的每个类别,每个类别的预测模型包括多个模型,多个模型的模型参数彼此不同;所述基于所述至少一类预测结果,确定温度的异常情况包括:
针对每个类别的预测模型,从与所述多个模型一一对应的多个预测结果中确定表征温度异常的预测结果数量;以及
基于所述预测结果数量和所述多个模型的数量之间的比值,确定温度的异常情况。
4.根据权利要求2或3所述的方法,其中,所述至少一类预测模型包括:
具有提取数据变化能力的树模型、具有温度预测能力的神经网络模型、具有提取数据规律信息和趋势信息的时间序列模型。
5.根据权利要求1-4中任意一项所述的方法,其中,所述第一特征数据包括以下至少一个,在第一预设时间段内:
温度的方差、温度的最大值、温度的最小值、温度的最大值和温度的最小值之间的比值。
6.根据权利要求1-4中任意一项所述的方法,其中,所述参考数据包括压力数据;所述第二特征数据包括以下至少一个,在第二预设时间段内:
压力的方差、压力的最大值、压力的最小值、压力的最大值和压力的最小值之间的比值。
7.根据权利要求1-4中任意一项所述的方法,其中,所述参考数据包括压力数据和功率数据;所述第三特征数据包括以下至少一个:
所述温度数据和所述压力数据之间的比值、所述温度数据和所述功率数据之间的比值、所述压力数据和所述功率数据之间的比值。
8.一种温度异常检测装置,包括:
获取模块,用于获取温度数据和与温度相关联的参考数据;
处理模块,用于处理所述温度数据和所述参考数据,得到目标特征数据,其中,所述目标特征数据包括第一特征数据、第二特征数据和第三特征数据中的至少一个,所述第一特征数据与所述温度数据相关联,所述第二特征数据与所述参考数据相关联,所述第三特征数据与所述温度数据和所述参考数据相关联;以及
预测模块,用于基于所述温度数据、所述参考数据和所述目标特征数据,预测温度的异常情况。
9.根据权利要求8所述的装置,其中,所述预测模块包括:
处理子模块,用于利用至少一类预测模型,分别处理于所述温度数据、所述参考数据和所述目标特征数据,得到与所述至少一类预测模型一一对应的至少一类预测结果;以及
确定子模块,用于基于所述至少一类预测结果,确定温度的异常情况。
10.根据权利要求9所述的装置,其中,针对所述至少一类预测模型中的每个类别,每个类别的预测模型包括多个模型,多个模型的模型参数彼此不同;所述确定子模块包括:
第一确定单元,用于针对每个类别的预测模型,从与所述多个模型一一对应的多个预测结果中确定表征温度异常的预测结果数量;以及
第二确定单元,用于基于所述预测结果数量和所述多个模型的数量之间的比值,确定温度的异常情况。
11.根据权利要求9或10所述的装置,其中,所述至少一类预测模型包括:
具有提取数据变化能力的树模型、具有温度预测能力的神经网络模型、具有提取数据规律信息和趋势信息的时间序列模型。
12.根据权利要求8-11中任意一项所述的装置,其中,所述第一特征数据包括以下至少一个,在第一预设时间段内:
温度的方差、温度的最大值、温度的最小值、温度的最大值和温度的最小值之间的比值。
13.根据权利要求8-11中任意一项所述的装置,其中,所述参考数据包括压力数据;所述第二特征数据包括以下至少一个,在第二预设时间段内:
压力的方差、压力的最大值、压力的最小值、压力的最大值和压力的最小值之间的比值。
14.根据权利要求8-11中任意一项所述的装置,其中,所述参考数据包括压力数据和功率数据;所述第三特征数据包括以下至少一个:
所述温度数据和所述压力数据之间的比值、所述温度数据和所述功率数据之间的比值、所述压力数据和所述功率数据之间的比值。
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1-7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权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358589.9A CN114065627A (zh) | 2021-11-16 | 2021-11-16 | 温度异常检测方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358589.9A CN114065627A (zh) | 2021-11-16 | 2021-11-16 | 温度异常检测方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065627A true CN114065627A (zh) | 2022-02-18 |
Family
ID=80272923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111358589.9A Pending CN114065627A (zh) | 2021-11-16 | 2021-11-16 | 温度异常检测方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065627A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819377A (zh) * | 2022-05-11 | 2022-07-29 | 云南电网有限责任公司电力科学研究院 | 分散式风电功率预测方法、系统、装置及存储介质 |
CN114910125A (zh) * | 2022-05-12 | 2022-08-16 | 武汉理工大学 | 一种基于AR和IoT的管道监测系统及方法 |
CN117556274A (zh) * | 2024-01-11 | 2024-02-13 | 北京英沣特能源技术有限公司 | 一种热管背板的温度数据异常分析方法 |
-
2021
- 2021-11-16 CN CN202111358589.9A patent/CN114065627A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819377A (zh) * | 2022-05-11 | 2022-07-29 | 云南电网有限责任公司电力科学研究院 | 分散式风电功率预测方法、系统、装置及存储介质 |
CN114910125A (zh) * | 2022-05-12 | 2022-08-16 | 武汉理工大学 | 一种基于AR和IoT的管道监测系统及方法 |
CN117556274A (zh) * | 2024-01-11 | 2024-02-13 | 北京英沣特能源技术有限公司 | 一种热管背板的温度数据异常分析方法 |
CN117556274B (zh) * | 2024-01-11 | 2024-03-15 | 北京英沣特能源技术有限公司 | 一种热管背板的温度数据异常分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114065627A (zh) | 温度异常检测方法、装置、电子设备和介质 | |
US10747188B2 (en) | Information processing apparatus, information processing method, and, recording medium | |
EP2963553B1 (en) | System analysis device and system analysis method | |
US11115295B2 (en) | Methods and systems for online monitoring using a variable data | |
US9704382B2 (en) | Method for calculating error rate of alarm | |
US20200293657A1 (en) | Anomalous behavior detection in processor based systems | |
JP6854151B2 (ja) | 異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラム | |
KR102440335B1 (ko) | 이상 감지 관리 방법 및 그 장치 | |
CN110008096B (zh) | 数据监测方法、装置、电子设备及计算机可读存储介质 | |
CN110678820B (zh) | 异常重要度计算系统及异常重要度计算装置 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
WO2017086963A1 (en) | Anomaly detection in multiple correlated sensors | |
CN113008583B (zh) | 一种旋转机械状态监测和异常自动报警的方法及装置 | |
EP2963552B1 (en) | System analysis device and system analysis method | |
US11640459B2 (en) | Abnormality detection device | |
CN113446519B (zh) | 用于确定管网泄漏程度的方法、电子设备和存储介质 | |
KR20220132824A (ko) | 배전설비 상태 이상 개소 감시 시스템 및 방법 | |
US20210294787A1 (en) | Spurious outlier detection system and method | |
EP3631637B1 (en) | System, device and method for frozen period detection in sensor datasets | |
KR20220095034A (ko) | 재난위기수준표출장치 및 그 동작 방법 | |
CN117707899A (zh) | 一种微服务异常检测方法、装置、设备及存储介质 | |
US20220334030A1 (en) | Time series data processing method | |
US20240028019A1 (en) | Anomaly detection using time series data | |
Shu et al. | Dynamic artificial immune system with variable selection based on causal inference | |
CN113360486A (zh) | 数据预测方法、装置、电子设备和介质 |
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 |