CN114637263B - 一种异常工况实时监测方法、装置、设备及存储介质 - Google Patents

一种异常工况实时监测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114637263B
CN114637263B CN202210252290.3A CN202210252290A CN114637263B CN 114637263 B CN114637263 B CN 114637263B CN 202210252290 A CN202210252290 A CN 202210252290A CN 114637263 B CN114637263 B CN 114637263B
Authority
CN
China
Prior art keywords
entropy
sampling window
complex network
production process
process data
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
Application number
CN202210252290.3A
Other languages
English (en)
Other versions
CN114637263A (zh
Inventor
陈锋
王倩琳
姬忠礼
常程
刘震
吴小林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum Beijing
Beijing University of Chemical Technology
Original Assignee
China University of Petroleum Beijing
Beijing University of Chemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum Beijing, Beijing University of Chemical Technology filed Critical China University of Petroleum Beijing
Priority to CN202210252290.3A priority Critical patent/CN114637263B/zh
Publication of CN114637263A publication Critical patent/CN114637263A/zh
Application granted granted Critical
Publication of CN114637263B publication Critical patent/CN114637263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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], 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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34465—Safety, control of correct operation, abnormal states
    • 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

本文涉及过程安全技术领域，尤其涉及一种异常工况实时监测方法、装置、设备及存储介质。其方法包括，获取待监测系统的多源生产过程数据；对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度；根据所述取样窗口长度和预设的第一步长，将所述多源生产过程数据分割为多个簇，并构建每个簇的复杂网络模型；根据所述复杂网络模型计算所述待监测系统的相对风险值；根据所述相对风险值确定所述待监测系统的风险。通过本文实施例，实现了根据相对风险值定量地对待监测系统的风险进行评价，从而提高了风险监测的精度，实现高危生产过程中异常工况的高精度实时监测。

Description

一种异常工况实时监测方法、装置、设备及存储介质
技术领域
本文涉及过程安全技术领域，尤其涉及一种异常工况实时监测方法、装置、设备及存储介质。
背景技术
随着石油化工企业的生产装置日趋大型化、生产工艺日趋一体化和生产系统日趋集成化，工况监控系统间产生海量且杂乱无章的多源生产过程数据，如何根据海量且杂乱无章的多源生产过程数据对生产系统的工况进行监控是本领域密切关注的问题。
现有的异常工况监控方法大致可以分为五类：基于解析模型的异常工况监控方法、基于数理统计的异常工况监控方法、基于信号处理的异常工况监控方法、基于过程知识的异常工况监控方法和基于人工智能的异常工况监测方法。上述方法虽然能够在一定程度上帮助监控人员掌握高危生产过程中包含的物料变化信息、安全操作信息等，但无法处理海量且杂乱无章的多源生产过程数据并合理地表达数据间的关联关系，导致异常工况的监测结果存精度低等问题。
现在亟需一种异常工况实时监测方法，从而解决现有技术中不能对工况监控系统的多源生产过程数据进行处理，导致异常工况的检测效果差的问题。
发明内容
为解决现有技术中不能对工况监控系统的多源生产过程数据进行处理，导致异常工况的监控效果差的问题，本文实施例提供一种异常工况实时监测方法、装置、设备及存储介质，能够对工况监控系统的多源生产过程数据进行处理，实现了根据多源生产过程数据对异常工况进行检测，并提高了异常工况的监测效果。
为了解决上述技术问题，本文的具体技术方案如下：
一方面，本文实施例提供了一种异常工况实时监测方法，包括，
获取待监测系统的多源生产过程数据；
对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度；
根据所述取样窗口长度和预设的第一步长，将所述多源生产过程数据分割为多个簇，并构建每个簇的复杂网络模型；
根据所述复杂网络模型计算所述待监测系统的相对风险值；
根据所述相对风险值确定所述待监测系统的风险。
另一方面，本文实施例还提供了一种异常工况实时监测装置，包括，
数据获取单元，用于获取待监测系统的多源生产过程数据；
取样窗口长度确定单元，用于对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度；
复杂网络模型构建单元，用于根据所述取样窗口长度和预设的第一步长，将所述多源生产过程数据分割为多个簇，并构建每个簇的复杂网络模型；
相对风险值计算单元，用于根据所述复杂网络模型计算所述待监测系统的相对风险值；
风险监测单元，用于根据所述相对风险值确定所述待监测系统的风险。
另一方面，本文实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在存储器上的计算机程序，处理器执行所述计算机程序时实现上述的方法。
最后，本文实施例还提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被计算机设备的处理器运行时，执行上述的方法。
利用本文实施例，对多源生产过程数据进行分析，确定多源生产过程数据的取样窗口长度，根据确定的取样窗口长度和预设的第一步长将多源生产过程数据分割为多个簇，并构建每个簇的复杂网络模型，解决了现有技术中由于人工经验确定的取样窗口长度与最优取样窗口长度之间存在一定的偏差，导致根据分割得到的多个簇中的数据量计算的复杂网络模型不能精确地表征多源生产过程数据之间的相关性。此外，本案根据复杂网络模型计算待监测系统的相对风险值，并根据相对风险值确定待监测系统的风险，实现了根据相对风险值定量地对待监测系统的风险进行评价，从而提高了风险监测的精度，实现高危生产过程中异常工况的高精度实时监测。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1所示为本文实施例一种异常工况实时监测方法的实施系统示意图；
图2所示为本文实施例一种异常工况实时监测方法的流程图；
图3所示为本文实施例一种异常工况实时监测装置的结构示意图；
图4所示为本文实施例不同小波基函数去噪效果对比图；
图5所示为本文实施例不同小波阈值去噪效果对比图；
图6所示为本文实施例基于灰度图的相关分析；
图7所示为本文实施例不同相关阈值所对应的复杂网络；
图8所示为本文实施例最优相关阈值所对应的邻接矩阵和复杂网络；
图9所示为本文实施例网络结构熵对比图；
图10所示为本文实施例整套现场装置的相对风险值图谱；
图11所示为本文实施例故障发生前后的网络结构熵对比；
图12所示为本文实施例计算机设备的结构示意图。
【附图标记说明】：
101、终端；
102、服务器；
301、数据获取单元；
302、取样窗口长度确定单元；
303、复杂网络模型构建单元；
304、相对风险值计算单元；
305、风险监测单元；
1202、计算机设备；
1204、处理设备；
1206、存储资源；
1208、驱动机构；
1210、输入/输出模块；
1212、输入设备；
1214、输出设备；
1216、呈现设备；
1218、图形用户接口；
1220、网络接口；
1222、通信链路；
1224、通信总线。
具体实施方式
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示为本文实施例一种异常工况实时监测方法的实施系统示意图，可以包括终端101和服务器102，所述终端101与所述服务器102之间建立通信连接，能够实现数据的交互。所述终端101可以向待监测系统实时地获取多源生产过程数据，也可以由人工向终端101录入待监测系统的多源生产过程数据，终端101可以向所述服务器102发送所述待监测系统的多源生产过程数据，所述服务器102根据所述终端101发送的多源生产过程数据对所述待监测系统进行风险监测。
在本说明书实施例中，所述服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,Content Delivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一个可选的实施例中，终端101可以结合服务器102对待监测系统进行风险监测。具体的，终端101可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(AR,Augmented Reality)/虚拟现实(VR,Virtual Reality)设备、智能可穿戴设备等类型的电子设备，也可以为数据采集系统(例如DSP数据采集器等)。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、Linux、Windows等。
此外，需要说明的是，图1所示的仅仅是本公开提供的一种应用环境，在实际应用中，还可以包括其他应用环境，本说明书不做限制。
为了对待监测系统的风险进行监测，本文实施例提供了一种异常工况实时监测方法，能够实时地监测待监测系统的风险。图2所示为本文实施例提供的一种异常工况实时监测方法的流程图，在本图中描述了根据多源生产过程数据对待监测系统进行风险监测的过程，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图2所示，所述方法可以包括：
步骤201：获取待监测系统的多源生产过程数据；
步骤202：对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度；
步骤203：根据所述取样窗口长度和预设的第一步长，将所述多源生产过程数据分割为多个簇，并构建每个簇的复杂网络模型；
步骤204：根据所述复杂网络模型计算所述待监测系统的相对风险值；
步骤205：根据所述相对风险值确定所述待监测系统的风险。
通过本文实施例的方法，对多源生产过程数据进行分析，确定多源生产过程数据的取样窗口长度，根据确定的取样窗口长度和预设的第一步长将多源生产过程数据分割为多个簇，并构建每个簇的复杂网络模型，解决了现有技术中，由于人工经验确定的取样窗口长度与最优取样窗口长度之间存在一定的偏差，导致根据分割得到的多个簇中的数据量计算的复杂网络模型不能精确地表征多源生产过程数据之间的相关性。此外，本案根据复杂网络模型计算待监测系统的相对风险值，并根据相对风险值确定待监测系统的风险，实现了根据相对风险值定量地对待监测系统的风险进行评价，从而提高了风险监测的精度，实现高危生产过程中异常工况的高精度实时监测。
在本文实施例中，所述待监测系统的多源生产过程数据可以包括温度、压力、流量、液位等海量、杂乱无章且彼此间非线性相关的高危生产过程数据，然后对多源生产过程数据进行非线性相关分析。在高危生产过程中，设有成千上万个监测点，用以监控装置运行所产生的温度、压力、流量和液位等过程数据。显然，这些海量且杂乱无章的过程数据之间可能存在耦合性；例如，A是B的上游温度采集点，若A处温度升高，则容易导致B处温度升高。然而，由于所处装置不同、空间分布远等，某些数据的变化并不会引起其他数据出现较大波动。通过相关分析，即可验证多源生产过程数据是否具有强关联性，能够免去人为划分符号有向图，也避免因数据量巨大而出错。另外，一旦高危生产过程中出现外界扰动或自身故障，过程数据必然发生变化，此时可以更加有效地确定数据间地关联程度。
在进行非线性相关分析过程中，首先需要选取第一步长和取样窗口长度，按照第一步长和取样窗口长度将多源生产过程数据分割成多个簇，按照一定的时间间隔和取样窗口长度，即可构建一系列不同的复杂网络，因此需要选取合适的第一步长和取样窗口长度。显然，时间间隔越小越好。在本文实施例中，所述第一步长和取样窗口长度可以以时间为单位，即每顺延一组数据，则构建一个复杂网络，第一步长为1个时间单位。
确定所述取样窗口长度之后，按照所述取样窗口长度和第一步长将所述多源生产过程数据分割为多个簇，并且构建每个簇的复杂网络模型。然后在根据构建的复杂网络模型计算待监测系统的相对风险值，最后根据相对风险值确定待监测系统的风险。
在本文实施例中，取样窗口长度表示对多源生产过程数据的取样效果，若取样窗口长度设定不合理，则将严重影响多源生产过程数据的取样效果，导致风险监测的精度差。因此，为了确定最优的取样窗口长度，根据本文的一个实施例，对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度进一步包括，
按照所述预设的第一步长和多个预设的取样窗口长度将所述多源生产过程数据分割成多个簇；
分别构建每个簇的复杂网络模型；
根据所述复杂网络模型计算每个簇的熵标准差和平均小世界指数；
根据所述熵标准差和平均小世界指数，在预设的多个取样窗口长度中确定所述多源生产过程数据的取样窗口长度。
在本文实施例中，针对取样窗口，采用熵标准差和平均小世界指数两个指标进行评价，所述熵标准差和平均小世界指数的计算公式如公式(1)和公式(2)所示：
式中，σ表示熵标准差；Eni表示第i簇数据所构建的复杂网络的结构熵；表示平均网络结构熵；/>表示平均小世界指数；Si表示第i簇数据所构建的复杂网络的小世界指数；n表示所构建的复杂网络的数目，在本文实施例中，所构建的复杂网络数目可以根据实际的情况进行设定。
需要注意的是，熵标准差定量刻画数值的分布情况和离散程度，若装置平稳运行，理论上网络结构熵变化不大，因此熵标准差越小、取样效果越好(即确定的取样窗口长度越优)。另外，复杂网络模型的小世界性越明显，说明数据节点之间联系越密切，因此平均小世界指数越大、取样效果越好(即确定的取样窗口长度越优)。
根据本文的一个实施例，还可以将熵标准差和平均小世界指数进行归一化处理，根据归一化处理的结果确定最优的取样窗口长度。具体地，根据所述熵标准差和平均小世界指数，在预设的多个取样窗口长度中确定所述多源生产过程数据的取样窗口长度进一步包括，
在预设的多个取样窗口长度中确定所述平均小世界指数超过预设门限值的预设的取样窗口长度，得到待选取样窗口长度集合；
在所述待选取样窗口长度集合中选择所述熵标准差最小的所述预设的取样窗口长度作为所述取样窗口长度。
可以理解为，所述预设门限值表示该平均小世界指数对应的簇是否形成复杂网络，若预设的取样窗口长度对应的平均小世界指数大于预设门限值，则表示该取样窗口长度对应的簇可以形成复杂网络，若否，则表示不能形成复杂网络。所述熵标准差可以定量刻画数值的分布情况和离散程度，若装置平稳运行，理论上网络结构熵变化不大，因此熵标准差越小、取样效果越好。
在本文的一些其他实施例中，采集待监测系统的传感器可以采集一定时间间隔所对应的过程变量信息，如温度、压力、流量和液位等，同时将其转化为电信号并传输至DCS、SCADA、APC、工业电视等监控显示终端或数据存储设备。然而，由于传感器自身损坏老化、外界环境振动等因素，采集数据时不可避免地存在噪声信息；这些噪声在一定程度上将干扰算法、模型提取有价值信息，甚至影响后续数据处理环节。因此，清洗、过滤多源生产过程数据所含的噪声信息，进而提高信噪比、改善数据质量，最大化利用数据价值，显得尤为重要。
与传统的傅里叶变换相比，小波变换(Wavelet Transform,WT)是空间(或时间)与频率的局部变换，基于一种非正交小波，通过伸缩、平移等运算进行多尺度的细化分析，能够有效地从过程数据中提取信息。如式(3)所示，小波变换通常定义为给定平方可积信号f(t)的积分变换。
式中，ψ(t)表示小波函数或母小波；a表示尺度因子，对应于频率参数，用以控制小波函数的伸缩；τ表示时移因子，对应于时间参数，用以控制小波函数的平移。
此外，ψa,τ(t)是小波函数经伸缩、平移产生的一簇函数，称为小波基函数或小波基，如式(4)所示。
换言之，小波变换的基本思想则是利用小波基函数表示或逼近某一信号(即数据)。常见的小波基函数主要包括Haar(haar)、Daubechies(dbN)、Biorthogonal(biorNr.Nd)、Symlets(sym N)以及Dmeyer(demy)等。
因此，根据本文的一个实施例，步骤203对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度之前，还可以采用小波变换的方法对步骤201获取到的多源生产过程数据进行降噪，进而提高信噪比、改善数据质量，最大化利用数据价值。具体地，可以包括如下过程：
步骤1：确定小波基函数；
通过小波基函数，对多源生产过程数据进行分解处理。为观察不同小波基函数的适用性，选取信噪比(Signal-to-noise Ratio,SNR)这一评估指标，如式(5)所示，单位是分贝。
式中，Psignal表示数据的能量；Pnoise表示噪声的能量；N表示数据的长度；X0表示原始数据；X表示去噪后的数据。
需要注意的是，某过程数据被分解后的信噪比越高，代表去噪效果越好，即选定其所对应的小波基函数。
步骤2：设定小波阈值；
针对分解后的高频系数，开展阈值处理。在去噪时，小波阈值起决定性作用，因此需要确定合适的阈值。若太小，则处理后的噪声信息大量保留，达不到去噪的目的；反之，则丢失部分真实信息，导致重构后的数据出现失真现象。需要说明的是，本文实施例中设定小波阈值的步骤为本领域常用的技术手段，此处不再赘述。
此外，根据小波分解的低频系数和经阈值量化处理后的高频系数，进行数据重构。
步骤3：归一化处理。
数据去噪后需进行归一化处理，即将高危生产过程数据转换至[0,1]区间内，如式(6)所示。
式中，X'表示归一化后的数据；Xmin表示各过程数据的最小值；Xmax表示各过程数据的最大值。
根据本文的一个实施例，构建每个簇的复杂网络模型进一步包括，
建立所述簇的相关系数矩阵；
根据所述相关系数矩阵确定相关阈值；
根据所述相关系数矩阵、相关阈值计算所述簇的邻接矩阵；
根据所述簇的邻接矩阵中各元素之间的连边形成所述簇的复杂网络模型。
在本文实施例中，相关系数主要用于衡量两个变量之间的相关性强弱。因此，针对多源生产过程数据，开展相关分析，以探究数据特征之间的内在关系。
计算相关系数时，取值在[-1,1]之间，变量数据的位置或大小对其无影响。取值为正数，表示两个变量正相关；取值为负数，表示两个变量负相关。取值越接近1或-1，表示两个变量的相关度越强；取值越接近0，表示两个变量的相关度越弱；取值为0时，表示两个变量无相关性。
此外，相关系数通常被称为非参数相关系数，具有两层含义。其一，若变量X与变量Y之间存在严格的单调函数关系，则X和Y完全相关；其二，一旦无法获知变量X与变量Y的联合概率密度函数，仍然可以利用相关系数求解样本之间的精确分布。
具体地，计算相关系数的过程如下：
假设原始过程数据分别为X、Y，其元素个数均为m，即第i(1≤i≤m)个元素分别为Xi和Yi。对X、Y按照数值大小进行升序(或降序)排序，得到两个元素集合x和y；其中，元素xi、yi分别为Xi在X中的位置以及Yi在Y中的位置，通常称为秩次。进而，将集合x、y中的元素对应相减得到一个排序差分集合，即秩次差di，如式(7)所示。
di＝xi-yi (7)
根据上述秩次差di，即可计算多源生产过程数据之间的相关系数ρ，m为元素个数，如式(8)所示。
从而根据相关系数建立相关系数矩阵。
然后根据相关系数矩阵构建复杂网络模型，具体地，复杂网络(Complex Network,CN)由现实世界中的复杂系统抽象而来，即将形形色色的待处理对象转变为不具有形状和大小的节点，如果这些对象内部存在某种关联，则在相应节点之间连接一条线、作为连边。换言之，现实世界抽象而来的复杂网络模型可以真实地表征系统特性。需要注意的是，复杂网络具有拓扑特性，即节点仅代表某个对象，与其大小、形状和位置等无关；类似地，连边仅代表节点有无关系，与其长度、宽度和形状等无关。
针对高危生产过程，将其视为复杂系统，且多源生产过程数据监测点及其之间强弱关联程度分别作为节点和连边，即可构建复杂网络模型。复杂网络能够准确地描述一段时间内海量过程数据的耦合性特征，进而合理地表征高危生产过程中能量、物质和信息等交互关系。
在本文实施例中，复杂网络模型中直接或间接包括如下内容：
(a)网络和邻接矩阵
复杂网络通常利用G＝(V,E)进行描述；其中，V和E分别表示节点集、连边集，eij表示节点i和节点j之间的连边。按照图中的连边是否有向、有权，复杂网络可以被划分为四种类型——无向无权网络、有向无权网络、无向加权网络、有向加权网络。本发明只涉及无向无权网络，即相邻节点间的彼此关系相同(eij＝eji)，且连边不存在权重。
为量化表达复杂网络模型，常常借助邻接矩阵A＝(aij)N×N。A是一个N阶方阵，aij表示第i行、第j列的元素。基于aij，即可定义N个节点的无向无权网络G，如式(9)所示。
需要注意的是，在邻接矩阵中，元素“1”表示其所在行与所在列的节点有强关联性，即对应节点之间存在连边；元素“0”表示其所在行与所在列的节点有弱关联性，即对应节点之间不存在连边。
(b)度
度是刻画网络节点属性的最简单且最重要的统计特征之一。针对无向无权网络，节点i的度ki定义为与节点直接相连的连边数目；进而，平均度k则可以定义为网络中所有节点的度的平均值，如式(10)所示。
式中，N表示网络中所有节点的数目。
(c)路径长度
路径长度常常用以反映复杂网络的整体性统计特征。针对无向无权网络，节点i和节点j之间的路径长度d(i,j)定义为连接这两个节点的最短路径上的连边数目；进而，平均路径长度L则可以定义为任意两个节点之间的路径长度的平均值，如式(11)所示。
(d)聚类系数
聚类系数常用以衡量复杂网络的局部性统计特征。具体而言，聚类系数可定量刻画某节点的任意两个相邻节点是否互为相邻节点的概率。针对无向无权网络，节点i的聚类系数Ci定义为该节点的ki个相邻节点之间实际存在的边数ei与总的可能边数ki(ki-1)/2之比；进而，平均聚类系数C则可以定义为网络中所有节点的聚类系数的平均值，如式(12)所示。
(e)小世界性
众所周知，真实世界所映射的网络模型一般不是随机的，且具有某些规律性。复杂网络的诸多特性可谓是介于随机网络与真实网络。其中，小世界性被公认为最典型的特征参数之一，用以定量表征复杂网络的连通度。如式(13)所示，小世界性特征具有较大的平均聚类系数和较小的平均路径长度。
式中，Creal和Lreal分别表示真实网络(即所构建的复杂网络模型)的平均聚类系数和平均路径长度；Cran和Lran分别表示随机网络的平均聚类系数和平均路径长度；N表示该随机网络中所有节点的数目；k表示该随机网络的度。需要说明的是，随机网络是随机获取到的，每一个复杂网络对应一个随机网络，根据复杂网络获取对应的随机网络是本领的常识步骤，此处不再赘述。
此外，为方便计算，本发明定义小世界指数S，如式(14)所示。如果S大于1，则认为所构建的复杂网络具有小世界性，越大则说明越明显，即数据节点之间联系越紧密。
在本文实施例中，相关系数分布在[-1,1]区间内，若构建无向无权网络(即随机网络)，则需要选取一个相关阈值，将相关系数矩阵转换为只有“0”和“1”的布尔矩阵，即可视为邻接矩阵。此外，若直接利用相关系数矩阵构建复杂网络，则将形成一个全连接网络，所有节点间彼此相邻；显然，此种情况不利于提取网络的统计特征，甚至无任何意义。因此，需要确定最优的相关阈值，从而剔除弱相关关系、减少冗余信息，构建易于描述真实数据关联关系的复杂网络模型。
针对上述情况，根据本文的一个实施例，根据所述相关系数矩阵确定相关阈值进一步包括
根据所述相关系数矩阵计算初始相关阈值；
按照预设的第二步长逐步减小所述初始相关阈值，得到多个次级相关阈值；
计算所述初始相关阈值和每一所述次级相关阈值对应的小世界指数；
将最大的所述小世界指数对应的所述初始相关阈值或次级相关阈值作为所述相关阈值。
在本文实施例中，针对一个相关系数矩阵，若设定不同的相关阈值，将剔除掉不同的系数，从而转换为不同的邻接矩阵；相应地，不同阈值直接影响网络连边的数目，度、路径长度和聚类系数等统计特征出现差异，即剔除掉不同的连边，则构建不同的复杂网络。在相关系数矩阵中，相关系数的绝对值大于或等于相关阈值，视为具有强关联性，并将其转换为“1”，表示对应的节点之间相连；绝对值小于相关阈值，视为具有弱关联性，并将其转换为“0”，表示对应的节点之间不相连。
根据本文的一个实施例，根据所述相关系数矩阵计算初始相关阈值进一步包括，
去除所述相关系数矩阵的对角线上的元素，并将所述相关系数矩阵中剩余的元素取绝对值；
确定取绝对值后的所述相关系数矩阵中各行元素的最大值，得到元素最大值集；
将所述元素最大值集中最小的元素作为所述初始相关阈值。
在本文实施例中，随着相关阈值的增大，孤立节点数目逐渐增多，网络的度逐渐减小，且大多数复杂网络均具有小世界性。在本发明中，相关阈值的设定遵循以下两个原则：
其一，所构建的复杂网络模型不存在孤立节点。在本发明中，孤立节点指没有任何相邻节点的节点，即节点度为0。因为邻接矩阵与复杂网络一一对应，且过程数据与其自身必然是完全正相关，邻接矩阵中左上到右下的对角线元素均为“1”，所探究问题即可转化为对邻接矩阵中每一行元素求和使之大于1。需要注意的是，相关系数矩阵均为对称矩阵，其转换而来的邻接矩阵亦是对称矩阵，因此对每一行求和等效于对每一列求和。
具体而言，在求解相关阈值过程中，首先剔除掉对角线上为“1”的元素，然后对相关系数取绝对值，再分别计算相关系数矩阵中各行元素的最大值。需要注意的是，只要相关阈值小于相关系数的最大值，即可确保该行所对应的过程数据的节点度不为0，即存在相邻节点。最后，针对各行元素的最大值，取其最小值，即可确保每一个过程数据的节点均存在相邻节点，如式(15)所示。
r'＝min(max(ri,j)) (15)
式中，r'表示相关阈值，ri,j表示元素i与元素j的相关系数。
其二，满足前述条件的前提下，需使其小世界指数最大。本发明采用向下枚举法，按照设定的第二步长逐步减小相关阈值，例如第二步长为0.01，从而寻找小世界指数对应的最大相关阈值。若相关系数小于0.05，本发明均视为弱相关，即使小于0.05的相关阈值所对应的小世界指数最大，仍然不考虑。若使复杂网络无孤立节点所要求的最大相关阈值小于0.05，则取0.05。
根据最优相关阈值，形成邻接矩阵黑白图，并据此构建复杂网络模型。
根据本文的一个实施例，计算所述熵标准差的步骤包括，
根据所述邻接矩阵的度以及所述邻接矩阵中元素的数量计算所述复杂网络的结构熵；
根据所述复杂网络的结构和所述复杂网络的数量计算所述簇的平均结构熵；
根据所述复杂网络的结构熵、所述簇的平均结构熵和所述复杂网络的数量计算所述簇的熵标准差。
在本文实施例中，熵标准差定量刻画数值的分布情况和离散程度，若装置平稳运行，理论上网络结构熵变化不大，因此熵标准差越小、取样效果越好。
网络结构熵基于度分布的概念而定义，更加简洁地度量复杂网络的序状态，即揭示网络演化规律。
在本文实施例中，网络结构熵包括度分布熵、“吴”结构熵和“蔡”结构熵，现有技术中在度分布熵、“吴”结构熵和“蔡”结构熵选择一个作为网络结构熵，从更好地表述复杂网络，但没有根据网络结构熵确定待监测设备的风险指数，对待监测设备的异常工况进行监测，因此，本发明提出了基于网络结构熵的异常工况实时监测的方法，首先在度分布熵、“吴”结构熵和“蔡”结构熵中确定最优的网络结构熵，然后根据所述复杂网络模型计算所述待监测系统的相对风险值，具体地：
计算所述复杂网络的网络结构熵进一步包括，
根据所述邻接矩阵的度和所述邻接矩阵中元素的数量分别计算所述复杂网络模型的度分布熵、“吴”结构熵和“蔡”结构熵；
计算多个所述复杂网络模型的度分布熵、“吴”结构熵和“蔡”结构熵的标准差；
选择所述标准差最小的所述度分布熵、“吴”结构熵或“蔡”结构熵作为所述复杂网络的结构熵。
在本文实施例中，度分布熵En根据复杂网络中节点的重要性而定义，如式(16)所示。
式中，p(ki)表示节点i的度的概率分布。
类似地，“吴”结构熵En也是根据复杂网络中节点的重要性而定义，如式(17)所示。
式中，Ii表示节点i的重要性。
“蔡”结构熵En不仅考虑复杂网络中节点的重要性，还涵盖连边的差异性，如式(18)所示。
式中，Si表示节点i的重要性；Di表示节点i的连边的差异性；Ii表示节点i的综合重要性；系数α和系数β需满足α+β＝1，且一般取α＝β＝0.5。
根据上述公式，分别计算度分布熵、“吴”结构熵和“蔡”结构熵，进而通过熵值的精细化解析，选取合适的结构熵用以计算待监测系统的相对风险值。
根据所述复杂网络模型计算所述待监测系统的相对风险值进一步包括，
计算所述复杂网络模型的结构熵；
根据所述复杂网络模型的结构熵以及历史复杂网络的结构熵，通过公式(19)：
计算所述相对风险值，其中，表示所述相对风险值；En表示所述复杂网络的结构熵，Enmin表示所述历史复杂网络的结构熵构成的结构熵序列中的最小值，Enmax表示所述结构熵序列中的最大值。
通过上述方法，在度分布熵、“吴”结构熵和“蔡”结构熵中确定待监测系统最优的网络结构熵，将这些数据的时间序列变化转换为相对风险值进行定量刻画，充分利用复杂网络的统计信息，以合理表征高危生产过程运行状态。此外，网络结构熵能够整合海量且杂乱无章的过程数据，使其转变为单一的相对风险值时间序列，极大地降低数据维度，从而实现高精度异常工况实时监测。
根据本文的一个实施例，根据所述相对风险值确定所述待监测系统的风险进一步包括，
根据所述相对风险值和预设的风险等级门限值确定所述待监测系统的风险。
在本文实施例中，预设的风险等级门限值可以通过对大量的现场监测数据进行分析得到，例如，确定最高的相对风险值和最高的相对风险值，构成相对风险值区间，然后将相对风险值区间均分为多个子风险值区间，每个子风险值区间可以表示一个风险等级，从而确定不同风险等级对应的相对风险值区间。最后，比较计算的相对风险值和相对风险值区间，确定待监测系统的风险等级。
基于同一发明构思，本说明书实施例还提供了一种异常工况实时监测装置，如图3所示，包括：
数据获取单元301，用于获取待监测系统的多源生产过程数据；
取样窗口长度确定单元302，用于对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度；
复杂网络模型构建单元303，用于根据所述取样窗口长度和预设的第一步长，将所述多源生产过程数据分割为多个簇，并构建每个簇的复杂网络模型；
相对风险值计算单元304，用于根据所述复杂网络模型计算所述待监测系统的相对风险值；
风险监测单元305，用于根据所述相对风险值确定所述待监测系统的风险。通过上述装置所取得的有益效果与上述方法所取得的有益效果一致，本说明书实施例不做赘述。
通过上述系统所取得的有益效果与上述方法所取得的有益效果一致，本说明书实施例不做赘述。
此外，本文还提供了对本文实施例所述的异常工况实时监测方法的有效性进行验证的步骤。具体地，本发明以某化工企业的柴油加氢装置为例，对发明内容进行具体实施，以验证所提出方法的有效性。
在该柴油加氢装置中，共涉及37个多源生产过程数据，详见表1。
表1某现场柴油加氢装置的过程数据变量
/>
首先，利用小波变换方法对上述37个多源生产过程数据进行去噪，为观察小波基函数对过程数据进行去噪的适用性，选取现场柴油加氢装置中变量Tag17的前2000组数据；其中，小波基函数分别设为Haar、bior3.1、sym2、dmey、db8、db16、db32和db36，且小波阈值暂定为0.6。针对不同的小波基函数，开展去噪效果对比，如图4所示。
此外，求解上述小波基函数所对应的信噪比，结果见表2。可看出，db32小波基函数所对应的信噪比最大，且小波曲线最平缓，即去噪效果最佳。因此，本发明确定小波基函数为db32。
表2不同小波基函数所对应的信噪比
序号 小波基函数 SNR 序号 小波基函数 SNR
1 Haar 37.372 5 db8 50.724
2 bior3.1 42.461 6 db16 51.990
3 sym2 41.662 7 db32 53.183
4 dmey 50.810 8 db36 52.913
基于db32小波基函数，小波阈值分别设为0.2、0.4、0.6和0.8。类似地，开展去噪效果对比，如图5所示。可看出，小波阈值为0.2或0.4时，小波曲线波动较大，去噪效果不明显；小波阈值为0.6或0.8时，小波曲线相对较平缓，且小波阈值0.6所对应的信噪比53.183大于小波阈值0.8所对应的信噪比52.717。因此，本发明设定小波阈值为0.6。
然后对去噪后的多源生产过程数据进行非线性相关分析，针对该现场柴油加氢装置，以步长为1，通过选取不同的取样窗口，包括50、100、150、200、250和300，分别构建50个复杂网络模型。根据熵标准差和平均小世界指数两个评价指标，对比取样效果，见表3。可看出，取样窗口为100时，熵标准差最小；取样窗口为50时，平均小世界指数最大。综合考虑两个因素，本发明选取取样窗口为100，每簇数据包含100组数据时效果最佳。
表3不同取样窗口的效果对比表
序号 取样窗口 熵标准差 平均小世界指数
1 50 0.024 1.088
2 100 0.014 1.059
3 150 0.018 1.047
4 200 0.016 1.038
5 250 0.031 1.021
6 300 0.021 1.007
据此选取37个变量的前100组数据，通过小波变换去噪后，求解相关系数，结果见表4。
表4相关系数矩阵
为直观显示，将上述相关系数矩阵转换为灰度图，如图6所示。可看出，左上至右下的对角线数据均为1。显然，过程数据变量与自身是完全正相关，且其他系数以对角线为对称轴、呈现对称分布规律。
然后构建复杂网络模型，根据上述相关系数矩阵，通过选取相关阈值，将其转换为邻接矩阵，进而构建复杂网络模型。相关阈值分别设为0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8和0.9，所构建的复杂网络如图7所示；相应地，网络统计特征见表5。
表5不同复杂网络的统计特征
序号 相关阈值 平均度 平均路径长度 平均聚集系数 小世界指数 孤立节点数目
1 0 36.000 1.000 1.000 1.036 0
2 0.1 33.351 1.074 0.951 1.011 0
3 0.2 30.649 1.149 0.923 1.024 0
4 0.3 27.784 1.228 0.885 1.042 0
5 0.4 25.243 1.351 0.859 1.043 0
6 0.5 22.944 1.413 0.895 1.137 1
7 0.6 21.758 1.504 0.882 1.010 4
8 0.7 20.800 1.686 0.836 0.852 7
9 0.8 18.444 1.330 0.860 1.070 10
10 0.9 14.900 1.029 0.874 1.264 17
由此可见，所构建的10个复杂网络模型均包含37个节点(指的是37个数据采集点)，即表征着37个过程数据变量。当相关阈值大于或等于0.5时，开始出现孤立节点，且相关阈值越大，孤立节点的数目越多，即孤立节点数目与相关阈值呈正相关。为进一步分析孤立节点，分别求解37个过程数据变量之间的最大相关系数，结果见表6。可看出，变量Tag3所对应的最大相关系数(0.490)为其中最小值。因此，只要相关阈值小于0.490，即可保证复杂网络中不存在孤立节点。
表6各过程数据变量的最大相关系数
根据上述分析结果，相关阈值范围为0.05-0.48，据此求解所对应的小世界指数，结果见表7。可看出，当相关阈值为0.38或0.39时，小世界指数最大、均为1.110；进一步保留4位小数，分别为1.1098和1.1104。因此，在本例中，相关阈值被选定为0.39。
表7不同相关阈值所对应的小世界指数
序号 相关阈值 小世界指数 序号 相关阈值 小世界指数
1 0.48 1.093 23 0.26 1.028
2 0.47 1.091 24 0.25 1.014
3 0.46 1.058 25 0.24 1.012
4 0.45 1.052 26 0.23 1.015
5 0.44 1.052 27 0.22 1.022
6 0.43 1.063 28 0.21 1.021
7 0.42 1.057 29 0.20 1.024
8 0.41 1.049 30 0.19 1.023
9 0.40 1.043 31 0.18 1.024
10 0.39 1.110 32 0.17 1.022
11 0.38 1.110 33 0.16 1.012
12 0.37 1.103 34 0.15 1.008
13 0.36 1.080 35 0.14 1.017
14 0.35 1.069 36 0.13 1.016
15 0.34 1.069 37 0.12 1.013
16 0.33 1.055 38 0.11 1.011
17 0.32 1.045 39 0.10 1.011
18 0.31 1.042 40 0.09 1.016
19 0.30 1.042 41 0.08 1.016
20 0.29 1.039 42 0.07 1.015
21 0.28 1.039 43 0.06 1.018
22 0.27 1.030
基于相关阈值0.39，建立邻接矩阵并绘制其黑白图如图8中的(a)所示，其中，白色表示对应的两节点间相关联。据此，构建复杂网络模型如图8中的(b)所示；通过验证，该网络满足小世界性。
最后求解相对风险值，针对该现场柴油加氢装置，以步长为1、取样窗口为100，构建50个复杂网络模型。通过验证，所构建的复杂网络均满足小世界性。
据此，分别求取度分布熵、“吴”结构熵和“蔡”结构熵，如图9所示。通过计算，得到度分布熵的标准差为0.200，“吴”结构熵的标准差为0.037，“蔡”结构熵的标准差为0.027，因此，本发明选择“蔡”结构熵。然后基于“蔡”结构熵求解相对风险值。
整套现场柴油加氢装置涉及37个过程数据变量、13146组有效数据，对此开展小波变换去噪处理，并将每组数据归一化至[0,1]区间内。以步长为1、取样窗口为100，逐次切片抽出每簇数据，共计13047簇。进而，通过求解相关系数，建立整套现场装置的相关系数矩阵，见表8。
表8整套现场装置的相关系数矩阵
此外，过程数据变量除与自身完全正相关外，选取其平均相关系数绝对值最大的10组，见表9。结合表1，作如下分析：Tag2为过滤器出入压差、Tag32为出装置精制柴油流量；经分析，过滤器压差越大、原料流量越大、产品产量越大、装置精制柴油流量越大，因此两者正相关且具有强关联性。Tag7为炉出口温控、Tag13为反应器入口温度；经分析，原料柴油由炉加热后、进入反应器中，因此两者正相关且具有强关联性。Tag18为高分顶压控、Tag20为低分顶压控；经分析，两者均为压力变量，所处装置亦均为分离器，因此同样正相关且具有强关联性。类似地，所列的其他过程数据变量间均具有强关联性。
表9相关性最强的10组现场装置过程数据变量
在实际计算过程中，关联程度弱的过程数据变量主要集中于Tag37、Tag24和Tag19。通过原始数据分析，发现3个变量的波动小，一般处于某常数，因此与其他变量的相关性弱。换言之，构建复杂网络时，通过设置合适的相关阈值，可以将关联性弱的连边剔除，且其相邻节点数目最少，对网络统计特征的计算结果无影响。经求解，13047簇数据中最大相关阈值为0.953，最小相关阈值为0.05，平均相关阈值为0.445。主要涉及以下两种原因：其一，采样时间持续长、数据量大，可能出现过数据波动大甚至发生过程故障；其二，选择最大小世界指数时，相关阈值越小、连边数目越多、小世界性越明显，因此最小相关阈值取设置下限0.05，这同时说明设置下限值具有合理性。
基于相关阈值，将相关系数矩阵转换为邻接矩阵，进而生成13047个复杂网络；经验证，所构建的复杂网络均满足小世界性。最终，求解整套现场装置的相对风险值并绘制其图谱，如图10所示。如图10所示，相对风险值在[0,1]区间内，然后将[0,1]区间划分为5个子区间，分别与5个风险等级对应，例如：[0,0.2)对应低风险，[0.2,0.4)对应中低风险，[0.4,0.6)对应中风险，[0.6,0.8)对应中高风险，[0.8,1.0)对应高风险。然后计算根据获取到的最新的多源生产过程数据构建的复杂网络模型的相对风险指数，并确定该相对风险值所属的风险值区间，从而确定待监测系统的风险。
此外，本文还提供了对异常工况实时监测方法的模拟分析过程。其中，采用田纳西-伊斯曼过程(Tennessee Eastman Process,TE)进行模拟分析。E过程主要由反应器、冷凝器、压缩机、分离器、汽提塔5个核心设备以及一系列仪表管道组成。其中，A、C、D、E气态物料作为反应物，生成产品G、H，伴有副产品F，且进料过程中可能携带少量惰性气体B。TE过程共涵盖6种模态(见表10)，本发明主要应用模态1；共包括53个变量，含12个过程控制变量(见表11)和41个过程测量变量(见表12)；共涉及28种异常工况(见表13)，含23种已知故障和5种未知故障。
表10 TE过程的6种模态
模态 G/H比率 产品生产率
1 50/50 7038kgh-1G和7038kgh-1H
2 10/90 1048kgh-1G和12669kgh-1H
3 90/10 10000kgh-1G和1111kgh-1H
4 50/50 最大生产率
5 10/90 最大生产率
6 90/10 最大生产率
表11 TE过程的12个过程控制变量
标签 描述 单位
XMV(1) D进料量 kg/h
XMV(2) E进料量 kg/h
XMV(3) A进料量 kscmh
XMV(4) 总进料量 kscmh
XMV(5) 压缩机再循环阀 ％
XMV(6) 排放阀开度 ％
XMV(7) 分离器流量 m3/h
XMV(8) 液体产品流量 m3/h
XMV(9) 汽提塔水流阀 ％
XMV(10) 反应器冷却水流量 m3/h
XMV(11) 冷凝器冷却水流量 m3/h
XMV(12) 搅拌速度 rpm
表12 TE过程的41个过程测量变量
/>
表13 TE过程的28种异常工况
/>
据此模拟实际工况，即每1秒采集一组数据，共模拟两次、每次2小时；其中，一次是无故障工况，另一次是1小时处引入故障1。另外，在小波变换去噪处理过程中，可能出现信号损失过多现象。为排除此类问题，研究TE过程变量相关性时，暂且不做去噪处理。针对上述两次模拟数据，以步长为1、取样窗口为100，逐次切片抽出每簇数据，共计7101簇。
开展非线性相关分析时，为对比本案所述的相关系数和Pearson相关系数两者的适用性，分别建立TE过程模态1的相关系数矩阵和Pearson相关系数矩阵，见表14-表15。为直观显示，可看出，TE过程变量与自身是完全正相关，且其他系数以对角线为对称轴、呈现对称分布规律。然而，在以Pearson相关系数为基础、构建复杂网络模型的过程中，随着网络规模的不断增大，相关系数将逐渐收敛于0，因此Pearson相关系数不适合本发明。另外，应用Pearson相关系数时，一般要求变量服从正态分布或接近正态分布的单峰分布；显然，柴油加氢工艺、TE过程等高危生产过程所涉及的过程数据变量不能完全满足此要求。较Pearson相关系数而言，本案的相关系数能够更为高效地处理多源生产过程数据间的非线性关联关系。因此，本发明所的相关系数的复杂网络建模方法具有有效性。
表14 TE过程模态1的相关系数矩阵
/>
表15 TE过程模态1的Pearson相关系数矩阵
根据上述数据处理过程，第3600簇数据时引入故障1，即第3500-3600簇数据含有不等量的故障数据组，因此前后各取500簇，对第3000-41000簇数据开展非线性相关分析。在模态1中，TE过程变量除与自身完全正相关外，分别选取其平均相关系数绝对值最大的10组(见表16-表17)和平均相关系数绝对值最小的5组(见表18-表19)。
表16无故障时相关性最强的10组TE过程变量
表17故障1时相关性最强的10组TE过程变量
序号 标签 标签 平均相关系数绝对值
1 XMV(3) XMV(6) 0.904
2 XMV(4) XMV(6) 0.749
3 XMV(3) XMV(4) 0.741
4 XMV(3) XMEAS(11) 0.671
5 XMV(6) XMV(8) 0.664
6 XMV(6) XMEAS(11) 0.657
7 XMV(3) XMV(8) 0.618
8 XMV(6) XMV(7) 0.617
9 XMV(6) XMEAS(22) 0.614
10 XMV(3) XMV(7) 0.601
表18无故障时相关性最弱的5组TE过程变量
序号 标签 标签 平均相关系数绝对值
1 XMV(2) XMEAS(15) 0.055
2 XMEAS(5) XMEAS(17) 0.056
3 XMEAS(1) XMEAS(14) 0.056
4 XMEAS(1) XMEAS(2) 0.059
5 XMEAS(6) XMEAS(11) 0.060
表19故障1时相关性最弱的5组TE过程变量
序号 标签 标签 平均相关系数绝对值
1 XMEAS(1) XMEAS(14) 0.056
2 XMEAS(5) XMEAS(17) 0.058
3 XMEAS(15) XMEAS(21) 0.058
4 XMEAS(5) XMEAS(12) 0.059
5 XMEAS(1) XMEAS(2) 0.059
结合表11-表12和表16-表17，作如下分析：XMV(3)为A进料量，XMV(4)为总进料量，XMV(6)为排放阀开度；经分析，A进料量越大、总进料量越大，且排放阀开度越大、进料量越大，因此三者关联程度强。类似地，所列的其他TE过程变量亦相互影响、具有强关联性。将其映射至复杂网络中，XMV(3)、XMV(4)和XMV(6)所对应的节点彼此相连，且节点内部两两连接、可视为一个社团结构，表征这些TE过程变量间存在强耦合性。另外，表16和表17所列的过程变量组合也不尽相同，例如，XMV(3)和XMEAS(22)变量组合只出现在表16中，而XMV(6)和XMV(8)变量组合只出现在表17中，这说明不同运行工况可以区分同一组变量的强弱关联程度。将其映射至复杂网络中，在不同的运行工况条件下，XMV(3)、XMV(6)、XMV(8)或XMEAS(22)等所对应的节点之间可能存在不同连边。
类似地，结合表11-表12和表18-表19，作如下分析：XMEAS(5)为循环流量，XMEAS(17)为汽提塔下部出料；经分析，循环流量不影响汽提塔下部出料，因此在不同工况条件下两者关联程度弱。针对其他TE过程变量组合，经分析，数据可能骤然跳出合理范围，导致关联性时而增强、时而减弱。以XMEAS(5)为例，当TE过程中无故障时，数据过渡平稳；而当TE过程中出现故障1时，数据急剧下降，这说明不同运行工况可能引发TE过程变量间的关联程度趋于无或趋于明显。将其映射至复杂网络中，通过相关阈值，能够剔除或保留节点，从而影响网络统计特征，表征着TE过程的真实运行工况。
由此可见，本发明所提出的基于复杂网络模型的高危生产过程精细化表征方法具有有效性，且将相关系数与复杂网络模型进行有机结合，能够合理地表达多源生产过程数据间的强弱关联关系。
根据TE过程的两次模拟数据(包括无故障和故障1)，基于相关阈值，将相关系数矩阵转换为邻接矩阵，进而分别生成7109个复杂网络。
针对无故障工况，作如下分析：7109簇数据中最大相关阈值为0.507，最小相关阈值为0.05，平均相关阈值为0.236，最大值与最小值相差较悬殊，且达到相关阈值下限0.05，说明设置下限值具有合理性。此外，所构建的7109个复杂网络中7090个具有小世界性，占比99.73％。其中，小世界指数最大值为1.692，处于第4268～4367组数据；小世界指数最小值为0.987，处于第2237～2336组数据；平均小世界指数为1.097，相差较小。相应地，求取7109个复杂网络的“蔡”结构熵。其中，“蔡”结构熵最大值为3.433，处于第6161～6260组数据；“蔡”结构熵最小值为3.230，处于第1943～2042组数据；平均“蔡”结构熵值为3.363，相差较小。
针对故障1工况，作如下分析：7109簇数据中最大相关阈值为0.505，最小相关阈值为0.05，平均相关阈值为0.234，最大值与最小值相差较悬殊，且达到相关阈值下限0.05，说明设置下限值具有合理性。此外，所构建的7109个复杂网络中7091个具有小世界性，占比99.75％。其中，小世界指数最大值为1.980，处于第3638～3737组数据，与故障发生时刻相接近；小世界指数最小值为0.987，处于第2237～2336组数据，与无故障工况属同一时段；平均小世界指数为1.094，相差较小。相应地，求取7109个复杂网络的“蔡”结构熵。其中，“蔡”结构熵最大值为3.433，处于第689～788组数据；“蔡”结构熵最小值为3.233，处于第2132～2231组数据；平均“蔡”结构熵值为3.365，相差较小，但较无故障工况而言整体偏高。
基于上述分析，选取第2000～2200、3600～3800、5000～5200组数据，分别视为故障1发生前、故障1发生时和故障1发生后的运行工况，进而对比有无故障的“蔡”结构熵，如图11所示。可看出，在故障1发生前，两组数据的“蔡”结构熵值大致相同；在故障1发生时，两者开始出现差异，但总体趋势不变；在故障1发生后，直观上两条曲线已无任何关系。这说明不同运行工况影响网络结构熵值；换言之，网络结构熵能够反应TE过程的异常工况。相应地，相对风险值由网络结构熵归一化处理而来，亦能够表征异常工况。由此可见，本发明提出的基于网络结构熵的异常工况实时监测方法具有有效性，且将海量过程数据整合为单一的相对风险值时间序列，极大地降低数据维度，实现高危生产过程的高精度实时监测。
如图12所示为本文实施例计算机设备的结构示意图，本文中的装置可以为本实施例中的计算机设备，执行上述本文的方法。计算机设备1202可以包括一个或多个处理设备1204，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备1202还可以包括任何存储资源1206，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储资源1206可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储资源都可以使用任何技术来存储信息。进一步地，任何存储资源可以提供信息的易失性或非易失性保留。进一步地，任何存储资源可以表示计算机设备1202的固定或可移除部件。在一种情况下，当处理设备1204执行被存储在任何存储资源或存储资源的组合中的相关联的指令时，计算机设备1202可以执行相关联指令的任一操作。计算机设备1202还包括用于与任何存储资源交互的一个或多个驱动机构1208，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1202还可以包括输入/输出模块1210(I/O)，其用于接收各种输入(经由输入设备1212)和用于提供各种输出(经由输出设备1214)。一个具体输出机构可以包括呈现设备1216和相关联的图形用户接口(GUI)1218。在其他实施例中，还可以不包括输入/输出模块1210(I/O)、输入设备1212以及输出设备1214，仅作为网络中的一台计算机设备。计算机设备1202还可以包括一个或多个网络接口1220，其用于经由一个或多个通信链路1222与其他设备交换数据。一个或多个通信总线1224将上文所描述的部件耦合在一起。
通信链路1222可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1222可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图2中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述所述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图2所示的方法。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。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。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本文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。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。

Claims (11)

1.一种异常工况实时监测方法，其特征在于，所述方法包括，
获取待监测系统的多源生产过程数据；
对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度；
根据所述取样窗口长度和预设的第一步长，将所述多源生产过程数据分割为多个簇，并构建每个簇的复杂网络模型；
根据所述复杂网络模型计算所述待监测系统的相对风险值；
根据所述相对风险值确定所述待监测系统的风险；
对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度进一步包括：
按照所述预设的第一步长和多个预设的取样窗口长度将所述多源生产过程数据分割成多个簇；
分别构建每个簇的复杂网络模型；
根据所述复杂网络模型计算每个簇的熵标准差和平均小世界指数；
根据所述熵标准差和平均小世界指数，在预设的多个取样窗口长度中确定所述多源生产过程数据的取样窗口长度；
根据所述熵标准差和平均小世界指数，在预设的多个取样窗口长度中确定所述多源生产过程数据的取样窗口长度进一步包括：
在预设的多个取样窗口长度中确定所述平均小世界指数超过预设门限值的预设的取样窗口长度，得到待选取样窗口长度集合；
在所述待选取样窗口长度集合中选择所述熵标准差最小的所述预设的取样窗口长度作为所述取样窗口长度。
2.根据权利要求1所述的异常工况实时监测方法，其特征在于，构建每个簇的复杂网络模型进一步包括，
建立所述簇的相关系数矩阵；
根据所述相关系数矩阵确定相关阈值；
根据所述相关系数矩阵、相关阈值计算所述簇的邻接矩阵；
根据所述簇的邻接矩阵中各元素之间的连边形成所述簇的复杂网络模型。
3.根据权利要求2所述的异常工况实时监测方法，其特征在于，根据所述相关系数矩阵确定相关阈值进一步包括
根据所述相关系数矩阵计算初始相关阈值；
按照预设的第二步长逐步减小所述初始相关阈值，得到多个次级相关阈值；
计算所述初始相关阈值和每一所述次级相关阈值对应的小世界指数；
将最大的所述小世界指数对应的所述初始相关阈值或次级相关阈值作为所述相关阈值。
4.根据权利要求3所述的异常工况实时监测方法，其特征在于，根据所述相关系数矩阵计算初始相关阈值进一步包括，
去除所述相关系数矩阵的对角线上的元素，并将所述相关系数矩阵中剩余的元素取绝对值；
确定取绝对值后的所述相关系数矩阵中各行元素的最大值，得到元素最大值集；
将所述元素最大值集中最小的元素作为所述初始相关阈值。
5.根据权利要求4所述的异常工况实时监测方法，其特征在于，计算所述熵标准差的步骤包括，
根据所述邻接矩阵的度以及所述邻接矩阵中元素的数量计算所述复杂网络的结构熵；
根据所述复杂网络的结构和所述复杂网络的数量计算所述簇的平均结构熵；
根据所述复杂网络的结构熵、所述簇的平均结构熵和所述复杂网络的数量计算所述簇的熵标准差。
6.根据权利要求5所述的异常工况实时监测方法，其特征在于，根据所述复杂网络模型计算所述待监测系统的相对风险值进一步包括，
计算所述复杂网络模型的结构熵；
根据所述复杂网络模型的结构熵以及历史复杂网络的结构熵，通过公式：
R＝En-Enmin
Enmax-Enmin，
计算所述相对风险值，其中，R表示所述相对风险值；En表示所述复杂网络的结构熵，Enmin表示所述历史复杂网络的结构熵构成的结构熵序列中的最小值，Enmax表示所述结构熵序列中的最大值。
7.根据权利要求5或6所述的异常工况实时监测方法，其特征在于，计算所述复杂网络的网络结构熵进一步包括，
根据所述邻接矩阵的度和所述邻接矩阵中元素的数量分别计算所述复杂网络模型的度分布熵、“吴”结构熵和“蔡”结构熵；
计算多个所述复杂网络模型的度分布熵、“吴”结构熵和“蔡”结构熵的标准差；
选择所述标准差最小的所述度分布熵、“吴”结构熵或“蔡”结构熵作为所述复杂网络的结构熵。
8.根据权利要求1所述的异常工况实时监测方法，其特征在于，根据所述相对风险值确定所述待监测系统的风险进一步包括，
根据所述相对风险值和预设的风险等级门限值确定所述待监测系统的风险。
9.一种异常工况实时监测装置，其特征在于，包括，
数据获取单元，用于获取待监测系统的多源生产过程数据；
取样窗口长度确定单元，用于对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度；
复杂网络模型构建单元，用于根据所述取样窗口长度和预设的第一步长，将所述多源生产过程数据分割为多个簇，并构建每个簇的复杂网络模型；
相对风险值计算单元，用于根据所述复杂网络模型计算所述待监测系统的相对风险值；
风险监测单元，用于根据所述相对风险值确定所述待监测系统的风险；
对所述多源生产过程数据进行分析，确定所述多源生产过程数据的取样窗口长度进一步包括：
按照所述预设的第一步长和多个预设的取样窗口长度将所述多源生产过程数据分割成多个簇；
分别构建每个簇的复杂网络模型；
根据所述复杂网络模型计算每个簇的熵标准差和平均小世界指数；
根据所述熵标准差和平均小世界指数，在预设的多个取样窗口长度中确定所述多源生产过程数据的取样窗口长度；
根据所述熵标准差和平均小世界指数，在预设的多个取样窗口长度中确定所述多源生产过程数据的取样窗口长度进一步包括：
在预设的多个取样窗口长度中确定所述平均小世界指数超过预设门限值的预设的取样窗口长度，得到待选取样窗口长度集合；
在所述待选取样窗口长度集合中选择所述熵标准差最小的所述预设的取样窗口长度作为所述取样窗口长度。
10.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1至8任意一项所述方法的指令。
11.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1至8任意一项所述方法的指令。
CN202210252290.3A 2022-03-15 2022-03-15 一种异常工况实时监测方法、装置、设备及存储介质 Active CN114637263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210252290.3A CN114637263B (zh) 2022-03-15 2022-03-15 一种异常工况实时监测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210252290.3A CN114637263B (zh) 2022-03-15 2022-03-15 一种异常工况实时监测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114637263A CN114637263A (zh) 2022-06-17
CN114637263B true CN114637263B (zh) 2024-01-12

Family

ID=81948214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210252290.3A Active CN114637263B (zh) 2022-03-15 2022-03-15 一种异常工况实时监测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114637263B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304835B (zh) * 2023-03-31 2023-08-29 北京博华信智科技股份有限公司 基于ai的动设备工况监测管理方法、系统、设备及介质
CN117113265B (zh) * 2023-10-25 2024-03-08 山东鹤来香食品有限公司 一种食品加工设备智能监测管理方法及系统

Citations (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004034090A1 (fr) * 2002-10-08 2004-04-22 Institut Francais Du Petrole Methode de separation de signaux de microsismicite de signaux sismiques emis par une ou plusieurs sources
CN101354757A (zh) * 2008-09-08 2009-01-28 中国科学院地理科学与资源研究所 一种精细尺度下的动态风险及易损性预测方法
JP2009536407A (ja) * 2006-05-07 2009-10-08 アプライド マテリアルズ インコーポレイテッド 適応多変数故障検出
CN103747537A (zh) * 2014-01-15 2014-04-23 广东交通职业技术学院 一种基于熵度量的无线传感器网络离群数据自适应检测方法
CN103870923A (zh) * 2014-03-03 2014-06-18 华北电力大学 基于信息熵的凝聚型层次聚类算法的风电场机群聚合方法
CN105389595A (zh) * 2015-12-02 2016-03-09 中国石油大学(北京) 一种化工装备长周期运行安全风险雷达监测方法及装置
CN105894211A (zh) * 2016-04-22 2016-08-24 中国石油大学(北京) 页岩气压裂作业过程全生命周期风险预警方法及装置
CN107451325A (zh) * 2017-06-14 2017-12-08 中国石油大学(北京) 深井超深井压裂套管失效风险实时定量评估方法及装置
CN108074021A (zh) * 2016-11-10 2018-05-25 中国电力科学研究院 一种配电网风险辨识系统及方法
CN108763729A (zh) * 2018-05-24 2018-11-06 西安交通大学 基于网络结构熵的流程工业机电系统耦合状态评估方法
WO2018217694A1 (en) * 2017-05-22 2018-11-29 Jabil Inc. Systems and methods for interfaces to a supply chain management system
CN109753632A (zh) * 2018-11-01 2019-05-14 北京理工大学 一种基于数据挖掘的表面粗糙度监测模型及构建方法
CN109858740A (zh) * 2018-12-21 2019-06-07 中化资本有限公司 企业风险的评估方法、装置、计算机设备及存储介质
CN110045691A (zh) * 2019-03-13 2019-07-23 东北大学 一种多源异构大数据的多任务处理故障监测方法
KR102006755B1 (ko) * 2018-05-10 2019-08-02 조선대학교산학협력단 정보 엔트로피의 비교를 통한 차량 내 외부 데이터 침입 탐지 장치 및 그 동작 방법
CN110388315A (zh) * 2019-07-05 2019-10-29 中国石油大学(北京) 基于多源信息融合的输油泵故障识别方法、装置及系统
CN110895526A (zh) * 2019-11-29 2020-03-20 南京信息工程大学 一种大气监测系统中数据异常的修正方法
CN111008363A (zh) * 2019-11-21 2020-04-14 西安交通大学 多变量因果驱动的复杂机电系统服役安全态势评估方法
WO2020140377A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 神经网络模型训练方法、装置、计算机设备及存储介质
CN111504676A (zh) * 2020-04-23 2020-08-07 中国石油大学(北京) 基于多源监控数据融合的设备故障诊断方法、装置及系统
CN111985546A (zh) * 2020-08-10 2020-11-24 西北工业大学 基于单分类极限学习机算法的飞机发动机多工况检测方法
CN112070366A (zh) * 2020-08-19 2020-12-11 核工业湖州工程勘察院有限公司 一种多源监测数据关联分析的区域滑坡风险定量测算方法
WO2020258826A1 (zh) * 2019-06-27 2020-12-30 齐鲁工业大学 基于复杂网络模型的工业设备运维与优化方法及系统
CN112418482A (zh) * 2020-10-26 2021-02-26 南京邮电大学 一种基于时间序列聚类的云计算能耗预测方法
CN112448947A (zh) * 2020-11-10 2021-03-05 奇安信科技集团股份有限公司 网络异常确定方法、设备及存储介质
KR102242671B1 (ko) * 2019-12-30 2021-04-21 동국대학교 산학협력단 슬라이딩 윈도우를 이용한 메시지 검증 기반의 차량 내 보안 침입 탐지 장치 및 그 동작 방법
WO2021072887A1 (zh) * 2019-10-18 2021-04-22 平安科技（深圳）有限公司 异常流量监测方法、装置、设备及存储介质
WO2021120934A1 (zh) * 2019-12-18 2021-06-24 浙江大学 一种基于卷积神经网络的DRGs自动分组方法
CN113111305A (zh) * 2021-04-08 2021-07-13 广东电网有限责任公司韶关供电局 一种异常检测方法、装置、存储介质及电子设备
CN113159225A (zh) * 2021-05-17 2021-07-23 中国石油大学(华东) 多变量工业过程故障分类方法
CN113298170A (zh) * 2021-06-02 2021-08-24 浙江大学 非稳定工况下能耗模式识别方法及系统
EP3871113A1 (en) * 2018-12-03 2021-09-01 Siemens Mobility GmbH Method and apparatus for classifying data
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
CN113469408A (zh) * 2021-05-21 2021-10-01 国网湖南省电力有限公司 一种用于调相机的运行状态趋势预测方法及系统
CN113962324A (zh) * 2021-11-04 2022-01-21 杭州安恒信息技术股份有限公司 图片检测方法、装置、存储介质及电子设备
CN113961827A (zh) * 2021-10-26 2022-01-21 中国人民公安大学 一种区域防控风险的检测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2481782A (en) * 2010-06-21 2012-01-11 Optimized Systems And Solutions Ltd Asset health monitoring
US20160098519A1 (en) * 2014-06-11 2016-04-07 Jorge S. Zwir Systems and methods for scalable unsupervised multisource analysis
US11327475B2 (en) * 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US20180284741A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection for a chemical production process
WO2019119260A1 (en) * 2017-12-19 2019-06-27 Paypal Inc Universal model scoring engine
US10891758B2 (en) * 2018-07-23 2021-01-12 Google Llc Geometry encoder

Patent Citations (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004034090A1 (fr) * 2002-10-08 2004-04-22 Institut Francais Du Petrole Methode de separation de signaux de microsismicite de signaux sismiques emis par une ou plusieurs sources
JP2009536407A (ja) * 2006-05-07 2009-10-08 アプライド マテリアルズ インコーポレイテッド 適応多変数故障検出
CN101354757A (zh) * 2008-09-08 2009-01-28 中国科学院地理科学与资源研究所 一种精细尺度下的动态风险及易损性预测方法
CN103747537A (zh) * 2014-01-15 2014-04-23 广东交通职业技术学院 一种基于熵度量的无线传感器网络离群数据自适应检测方法
CN103870923A (zh) * 2014-03-03 2014-06-18 华北电力大学 基于信息熵的凝聚型层次聚类算法的风电场机群聚合方法
CN105389595A (zh) * 2015-12-02 2016-03-09 中国石油大学(北京) 一种化工装备长周期运行安全风险雷达监测方法及装置
CN105894211A (zh) * 2016-04-22 2016-08-24 中国石油大学(北京) 页岩气压裂作业过程全生命周期风险预警方法及装置
CN108074021A (zh) * 2016-11-10 2018-05-25 中国电力科学研究院 一种配电网风险辨识系统及方法
WO2018217694A1 (en) * 2017-05-22 2018-11-29 Jabil Inc. Systems and methods for interfaces to a supply chain management system
CN107451325A (zh) * 2017-06-14 2017-12-08 中国石油大学(北京) 深井超深井压裂套管失效风险实时定量评估方法及装置
KR102006755B1 (ko) * 2018-05-10 2019-08-02 조선대학교산학협력단 정보 엔트로피의 비교를 통한 차량 내 외부 데이터 침입 탐지 장치 및 그 동작 방법
CN108763729A (zh) * 2018-05-24 2018-11-06 西安交通大学 基于网络结构熵的流程工业机电系统耦合状态评估方法
CN109753632A (zh) * 2018-11-01 2019-05-14 北京理工大学 一种基于数据挖掘的表面粗糙度监测模型及构建方法
EP3871113A1 (en) * 2018-12-03 2021-09-01 Siemens Mobility GmbH Method and apparatus for classifying data
CN109858740A (zh) * 2018-12-21 2019-06-07 中化资本有限公司 企业风险的评估方法、装置、计算机设备及存储介质
WO2020140377A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 神经网络模型训练方法、装置、计算机设备及存储介质
CN110045691A (zh) * 2019-03-13 2019-07-23 东北大学 一种多源异构大数据的多任务处理故障监测方法
WO2020258826A1 (zh) * 2019-06-27 2020-12-30 齐鲁工业大学 基于复杂网络模型的工业设备运维与优化方法及系统
CN110388315A (zh) * 2019-07-05 2019-10-29 中国石油大学(北京) 基于多源信息融合的输油泵故障识别方法、装置及系统
WO2021072887A1 (zh) * 2019-10-18 2021-04-22 平安科技（深圳）有限公司 异常流量监测方法、装置、设备及存储介质
CN111008363A (zh) * 2019-11-21 2020-04-14 西安交通大学 多变量因果驱动的复杂机电系统服役安全态势评估方法
CN110895526A (zh) * 2019-11-29 2020-03-20 南京信息工程大学 一种大气监测系统中数据异常的修正方法
WO2021120934A1 (zh) * 2019-12-18 2021-06-24 浙江大学 一种基于卷积神经网络的DRGs自动分组方法
KR102242671B1 (ko) * 2019-12-30 2021-04-21 동국대학교 산학협력단 슬라이딩 윈도우를 이용한 메시지 검증 기반의 차량 내 보안 침입 탐지 장치 및 그 동작 방법
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
CN111504676A (zh) * 2020-04-23 2020-08-07 中国石油大学(北京) 基于多源监控数据融合的设备故障诊断方法、装置及系统
CN111985546A (zh) * 2020-08-10 2020-11-24 西北工业大学 基于单分类极限学习机算法的飞机发动机多工况检测方法
CN112070366A (zh) * 2020-08-19 2020-12-11 核工业湖州工程勘察院有限公司 一种多源监测数据关联分析的区域滑坡风险定量测算方法
CN112418482A (zh) * 2020-10-26 2021-02-26 南京邮电大学 一种基于时间序列聚类的云计算能耗预测方法
CN112448947A (zh) * 2020-11-10 2021-03-05 奇安信科技集团股份有限公司 网络异常确定方法、设备及存储介质
CN113111305A (zh) * 2021-04-08 2021-07-13 广东电网有限责任公司韶关供电局 一种异常检测方法、装置、存储介质及电子设备
CN113159225A (zh) * 2021-05-17 2021-07-23 中国石油大学(华东) 多变量工业过程故障分类方法
CN113469408A (zh) * 2021-05-21 2021-10-01 国网湖南省电力有限公司 一种用于调相机的运行状态趋势预测方法及系统
CN113298170A (zh) * 2021-06-02 2021-08-24 浙江大学 非稳定工况下能耗模式识别方法及系统
CN113961827A (zh) * 2021-10-26 2022-01-21 中国人民公安大学 一种区域防控风险的检测方法及装置
CN113962324A (zh) * 2021-11-04 2022-01-21 杭州安恒信息技术股份有限公司 图片检测方法、装置、存储介质及电子设备

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
A multi-stage semi-supervised learning approach for intelligent fault diagnosis of rolling bearing using data augmentation and metric learning;Yu, Kun;MECHANICAL SYSTEMS AND SIGNAL PROCESSING;146-152 *
An unsupervised ensemble framework for node anomaly behavior detection in social network;Cheng, Qing;SOFT COMPUTING;6421-6431 *
Multi-fault diagnosis for rolling element bearings based on ensemble empirical mode decomposition and optimized support vector machines;Zhang, XY;MECHANICAL SYSTEMS AND SIGNAL PROCESSING;127-140 *
Spectral-Spatial Anomaly Detection of Hyperspectral Data Based on Improved Isolation Forest;Liu, Zhen;IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING;3104-3110 *
基于传递熵与KELM的炼油化工过程风险传播路径分析方法;蔡爽;胡瑾秋;张来斌;;中国安全生产科学技术(第03期);21-28 *
基于信息熵的建筑空调异常日用能模式检测方法;周璇;建筑科学;88-98 *
基于动态压力的高温陶瓷过滤器断裂在线故障诊断;姬忠礼;机械工程学报;21-29 *
基于振动信号的锂离子电池故障诊断方法;尹来宾;电气技术;71-75 *
煤层气集输系统油污杂质净化工艺评价及改进;刘震;中国煤层气;39-43 *
石油化工装置长周期运行风险超早期精确预警方法;胡瑾秋;张立强;张来斌;;石油学报(石油加工)(第03期);109-115 *

Also Published As

Publication number Publication date
CN114637263A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN114637263B (zh) 一种异常工况实时监测方法、装置、设备及存储介质
KR102223419B1 (ko) 시계열의 고속 그룹화 기법
CN105488539B (zh) 分类模型的生成方法及装置、系统容量的预估方法及装置
CN103023927B (zh) 一种稀疏表达下的基于非负矩阵分解的入侵检测方法及系统
CN109934301B (zh) 一种电力负荷聚类分析方法、装置和设备
CN115412455A (zh) 一种基于时间序列的服务器多性能指标异常检测方法及装置
CN112414694A (zh) 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
CN112836604A (zh) 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质
CN112116198A (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
CN114819315A (zh) 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法
CN112085111A (zh) 一种负荷辨识方法和装置
CN115935286A (zh) 铁路轴承状态监测数据的异常点检测方法、装置及终端
CN111626360A (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN117171157B (zh) 基于数据分析的清算数据采集清洗方法
CN116756225B (zh) 一种基于计算机网络安全的态势数据信息处理方法
CN113761777B (zh) 一种基于hp-ovmd的超短期光伏功率预测方法
CN110705373B (zh) 一种基于小波包分析和残差网络的槽电压信号分类方法
CN115392102A (zh) 能耗预测模型的建立方法及装置、能耗预测方法及系统
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN111563078A (zh) 基于时序数据的数据质量检测方法、检测装置及存储装置
CN111343165A (zh) 基于birch和smote的网络入侵检测方法及系统
CN111654327A (zh) 一种面向光缆纤芯远程管理控制的业务特征提取方法
CN116595102B (zh) 一种改进聚类算法的大数据管理方法及系统
Mulinka et al. Whatsthat? on the usage of hierarchical clustering for unsupervised detection & interpretation of network attacks
CN117112871B (zh) 基于fcm聚类算法模型的数据实时高效融合处理方法

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
GR01 Patent grant
GR01 Patent grant