CN114664063A - 一种基于通用指标趋势分析的设备分级报警方法 - Google Patents
一种基于通用指标趋势分析的设备分级报警方法 Download PDFInfo
- Publication number
- CN114664063A CN114664063A CN202210359608.8A CN202210359608A CN114664063A CN 114664063 A CN114664063 A CN 114664063A CN 202210359608 A CN202210359608 A CN 202210359608A CN 114664063 A CN114664063 A CN 114664063A
- Authority
- CN
- China
- Prior art keywords
- trend
- data
- local
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 230000000877 morphologic effect Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005236 sound signal Effects 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于通用指标趋势分析的设备分级报警方法,步骤包括:追溯设备特征指标的历史数据,获得该特征指标的时间序列趋势数据;提取时间序列趋势数据中当前时刻的数据以及前移设定时段内的数据,判断该时段数据是否符合异常数据趋势,若不符合则无需报警,若符合则定义为局部趋势;对当前局部趋势进行历史数据的追踪分析,若历史数据中没有相同的局部趋势,则通过对比当前局部趋势与历史数据的数值特征,对当前局部趋势进行分级报警,若历史数据中存在相同的局部趋势,则将所有局部趋势合并构成整体趋势,对所述整体趋势进行数值特征和形态特征的判别分类,并结合实际的报警需求,制定对应的分级门限,对整体趋势进行分级报警。
Description
技术领域
本发明涉及设备检测技术领域,具体涉及一种基于通用指标趋势分析的设备分级报警方法。
背景技术
随着现代工业和科学技术的发展,以及工业自动化程度的提高,现代机械生产技术演变成为大型、自动、连续,高质量精度和各种高性能的机械生产,但生产过程设备的一些突然故障往往是不可避免的,并且很容易导致巨大的社会经济损失。因此,对于连续和完全自动化的企业生产操作单位,有必要实时监视生产操作设备状态,及时发现设备故障发生迹象,对发生的故障进行合理的分级报警、并根据报警级别安排对应的处理措施。
机械设备在运行过程中产生的振动及其特征信息是反映机械设备及其运行状态变化的主要信号,通过各种动态测试仪器获取、记录和分析这些动态信号,是进行机械设备状态监测和故障诊断的主要途径。目前机械故障诊断中最常用、最有效的方法是利用传感器测得的振动信号对机械状态进行诊断,通过频谱分析、倍频分析、边频分析、频带能量等提取振动信号中的机械故障特征信息。
目前有关机械故障预警、报警的研究很多,比如司鹏等人提出一种基于温度变化趋势的报警方法和系统,根据预设时间间隔获取温度值,并通过对比前后的温度差判断报警(司彭,一种温度变化趋势报警方法及系统,专利号:CN113970384A)。刘铁军等人通过对比新旧电池之间的时间序列相似度,判断旧电池的老化程度(刘铁军,一种基于时间序列分析的锂电池老化检测方法,CN109613446B)。耿波提出了收集历史数据,并通过判定数据是否有异常趋势进行后续的分析处理(耿波,核电厂运行管理过程数据异常趋势判定方法,专利号:CN112526958A)。薛志国提出了一直通过监控阈值确定和监控报警方法,需要先确定监控设备的硬件配置参数,并结合历史运行指标数据,确定设备运行指标的监控阈值,最终进行报警(薛志国,一种监控阈值确定及监控报警方法、装置、设备和介质,专利号:CN113946493A)。
现有的方法均存在以下一个或多个缺陷与不足:
目前的机械故障报警依赖于阈值的设定或大量的先验知识。若相关阈值的门限设置要求较高、门限过窄,会违背设备实际运行规律频繁发生报警造成现场工作人员疲于响应;若设置过宽,则发生阈值报警时,设备可能已发生不可逆转性破坏并对工厂的生产造成无法挽回影响。先验知识的获取则要求工作人员需要进行大量的实验或资料查询。
目前的智能机械信号报警大多是实时进行的,根据所测的最新信号数据进行实时诊断分析,没有将历史的信号数据也作为报警的判断条件。由于机械设备运行存在极大的偶然性和随机性,正常运行状态下的设备也可能会测得较大的振动数据,诊断报警系统在这种情况下会给出错误的结论。
当前的指标数据报警情况不仅取决于近期的数值特征和形态特征,和历史的指标数据特征也应有较大的关系,目前的诊断报警方法中很少考虑到这方面因素。
现有的故障诊断报警大都是简单的阈值报警,不能根据故障的严重程度给出不同的报警级别,导致现场工作人员无法根据报警级别及时安排处理工作;也不能在设备发生严重问题之前给出预警,提前处理故障,防止造成更大的安全问题。
现有的一些考虑设备历史数据的方法,仅仅参考过去指标的幅值信息,忽略了在历史数据中的指标趋势形态,导致单一维度的误报率较高。
发明内容
针对目前此类方法所存在的问题和不足,本发明提出了一种基于通用指标趋势分析的设备分级报警方法。
本发明通过以下技术方案来实现上述目的:
一种基于通用指标趋势分析的设备分级报警方法,步骤包括:
步骤一:追溯设备特征指标的历史数据,获得该特征指标的时间序列趋势数据;
步骤二:提取时间序列趋势数据中当前时刻的数据以及前移设定时段内的数据,判断该设定时段内的数据是否符合异常数据趋势,若不符合则说明设备数据正常,无需报警,若符合则说明设备数据异常,此时将该设定时段内的异常数据趋势定义为局部趋势;
步骤三:对当前所述局部趋势进行历史数据的追踪分析,若历史数据中没有相同的局部趋势,则通过对比当前局部趋势与历史数据的数值特征,对当前局部趋势进行分级报警,若历史数据中存在相同的局部趋势,则将所有局部趋势合并构成整体趋势,对所述整体趋势进行数值特征和形态特征的判别分类,并结合实际的报警需求,制定对应的分级门限,对所述整体趋势进行分级报警。
进一步改进在于,所述特征指标为设备的振动信号、声音信号、温度信号、电压信号、电流信号、压力信号或转速信号。
进一步改进在于,所述异常数据趋势的类型包括连续上升、连续下降、长期稳定。
进一步改进在于,步骤二中,在提取时间序列趋势数据中当前时刻的数据以及前移设定时段内的数据后,构建数据集,通过对数据集的梯度计算,判断数据集内满足异常数据趋势的点数,从而判断当前数据集是否符合异常数据趋势。
进一步改进在于,在判断当前数据集是否符合异常数据趋势时,需从数据整体趋势上进行判断,同时参照以下辅助判别方法:
(1)允许存在个别不满足异常数据趋势的点数;
(2)若数据集内数据的变化速率高于设定速率,也判定为符合异常数据趋势;
(3)针对不同设备特征指标的不同形态特征,数据集的长度可自适应修改。
进一步改进在于,步骤三中,在对当前局部趋势进行分级报警时,具体方式为:计算当前局部趋势数值特征超出历史数据数值特征的比例,并根据超出比例范围,并结合实际的报警需求,制定对应的分级门限,对当前局部趋势进行分级报警,同时参照以下辅助判别方法:
(1)对于历史数据,通过四分位法,剔除异常数据;
(2)历史数据中如果有梯度大于设定值的异常值,则进行剔除。
进一步改进在于,步骤三中,将所有局部趋势合并构成整体趋势的具体方式为:识别出历史数据中全部符合异常数据趋势的数据集所构成的局部趋势,以当前局部趋势为识别起点,逐步向前判断前一个局部趋势与后一个局部趋势的关系,对于符合以下条件的局部趋势进行合并:
(1)前一个局部趋势数值特征需小于后一个局部趋势数值特征;
(2)前一个局部趋势与后一个局部趋势的时间间隔保持在设定范围内;
合并时,选取最后判断的符合条件的局部趋势的起点作为数据集的起始点,选取当前局部趋势的尾点作为数据集的结束点,构建数据集,以该数据集构成整体趋势。
进一步改进在于,所述数值特征为幅值、峰值、最小值、峭度、歪度或裕度。
进一步改进在于,所述形态特征为波动情况、增长情况、数值大小分布情况或时间序列分布情况。
本发明的有益效果在于:
(1)本发明较好地解决了目前设备故障诊断问题中严重依赖指标阈值制定、实时监测数据误差大、故障报警不够明确的问题;
(2)本发明提出了一种基于通用指标趋势分析的方法,能够实现对设备故障进行有效的分级报警;
(3)本发明首次提出了在时间序列趋势数据上,用局部趋势和整体趋势来划分趋势类型,充分考虑了特征指标的历史演变过程,能够有效反映设备故障严重程度;
(4)本发明首次提出了用趋势数据的数值特征、形态特征作为评价指标,准确反映不同趋势间的差异性;
(5)本发明所提出的指标趋势分析方法,能够有效避免实时监测设备时数据波动或测量误差造成的误报;
(6)本发明将当前趋势数据和历史趋势数据的特征关系作为门限划分的评价指标,以此代替常规诊断系统中的阈值范围,能够克服传统诊断方法中对特征指标阈值的依赖性。
附图说明
图1为发明所涉及方法算法流程图;
图2为案例一的振动加速度有效值的时间序列趋势数据示意图;
图3为案例二的振动速度有效值的时间序列趋势数据示意图;
图4为案例二的历史数据中的局部趋势判别结果示意图;
图5为案例二的整体趋势在趋势时间序列中的起点和终点示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
如图1所示,一种基于通用指标趋势分析的设备分级报警方法,步骤包括:
步骤一:追溯设备特征指标的历史数据,获得该特征指标的时间序列趋势数据;
步骤二:提取时间序列趋势数据中当前时刻的数据以及前移设定时段内的数据,构建数据集,通过对数据集的梯度计算,判断数据集内满足异常数据趋势的点数,从而判断当前数据集是否符合异常数据趋势,若不符合则说明设备数据正常,无需报警,若符合则说明设备数据异常,此时将该设定时段内的异常数据趋势定义为局部趋势;
在判断当前数据集是否符合异常数据趋势时,需从数据整体趋势上进行判断。另外,考虑到设备的数据波动,数据集很难实现严格的梯度变化,对此制定三条辅助判别方法,以保证局部趋势的准确识别率和整体性:
(1)允许存在个别不满足异常数据趋势的点数,称为回调点,但整体需要保持相应趋势;
(2)若数据集内数据的变化速率高于设定速率,也判定为符合异常数据趋势;
(3)针对不同设备特征指标的不同形态特征,数据集的长度可自适应修改。
步骤三:对当前所述局部趋势进行历史数据的追踪分析,若历史数据中没有相同的局部趋势,则通过对比当前局部趋势与历史数据的数值特征,对当前局部趋势进行分级报警,若历史数据中存在相同的局部趋势,则将所有局部趋势合并构成整体趋势,对所述整体趋势进行数值特征和形态特征的判别分类,并结合实际的报警需求,制定对应的分级门限,对所述整体趋势进行分级报警。例如,从设备故障轻微、中等到严重划分为一、二、三级,共3个报警级别。
在对当前局部趋势进行分级报警时,具体方式为:计算当前局部趋势数值特征超出历史数据数值特征的比例,并根据超出比例范围,并结合实际的报警需求,制定对应的分级门限,对当前局部趋势进行分级报警,考虑到历史数据中可能存在波动值,会对正常分级结果造成影响,对此制定两条辅助判别方法:
(1)对于历史数据,通过四分位法或者其他统计方法,剔除异常数据;
(2)历史数据中如果有梯度大于设定值的异常值,则进行剔除。
将所有局部趋势合并构成整体趋势的具体方式为:识别出历史数据中全部符合异常数据趋势的数据集所构成的局部趋势,以当前局部趋势为识别起点,逐步向前判断前一个局部趋势与后一个局部趋势的关系,对于符合以下条件的局部趋势进行合并:
(1)前一个局部趋势数值特征需小于后一个局部趋势数值特征;
(2)前一个局部趋势与后一个局部趋势的时间间隔保持在设定范围内;
合并时,选取最后判断的符合条件的局部趋势的起点作为数据集的起始点,选取当前局部趋势的尾点作为数据集的结束点,构建数据集,以该数据集构成整体趋势。
本发明中,所处理信号类型不作限制,即所述特征指标为设备的振动信号、声音信号、温度信号、电压信号、电流信号、压力信号或转速信号等。
本发明中,提出用局部趋势来反映某一数据集的变化特征,发明对具体的异常数据趋势的具体特征不做限制,可以是连续上升、连续下降、长期稳定或满足其他常见变化特征的点。
本发明提出了用趋势数据的数值特征、形态特征作为评价指标,发明对特征不做限制,数值特征可以是幅值、峰值、最小值、峭度、歪度或裕度等,形态特征可以是波动情况、增长情况、数值大小分布情况或时间序列分布情况等。
另外,本发明所提及的算法可以是以数字信号处理的方式在上位机软件中实现,也可以以其他方式,比如数字芯片、硬件电路等,来实现运算过程。
下面结合2个实际处理例程对本方法的具体实施方式和算法过程进行详细阐述。
案例一:
1.将加速度传感器安装于待监测设备的表面,以恒定的采样频率进行采样,得到振动信号。以半小时一次的采样间隔,获得待监测设备的振动加速度数据有效值,长期追踪一段时间,可获得振动加速度有效值的时间序列趋势数据,本案例共选取1115次加速度有效值的测量结果作为时间序列趋势数据,具体参见图2。
2.本方法针对该设备暂定数据集的长度为15、回调点数量为3,选取当前时刻数据以及之前14次测量结果的数据,构建数据集A0(i),对该数据集求差分,得到数据集D0(i),得到回调点数量。再采取上述方法步骤中的方法进行判定,A0(i)满足局部趋势的特征要求。
3.继续追溯当前数据集之前一段时间的历史数据,构建数据集B0(i),采取上述步骤的方法,计算判别B0(i)中所有符合条件的局部趋势。经计算,B0(i)中不包含符合条件的局部趋势。
4.根据上述步骤进行局部趋势分级报警,计算历史数据的幅值B=1.154,局部趋势的幅值A=2.654,局部趋势幅值超历史数据幅值的比例s=1.29。
5.基于以上计算结果,能够发现该设备振动加速度在历史数据中均保持稳定,唯有A0(i)局部趋势因为设备故障而造成振动加速度连续异常上升,且幅值较大,增长速率较高,结合实际报警需求制定门限后,将该局部趋势判定为三级报警。
案例二:
1.本案例的测试信号为振动速度有效值,以半小时一次的采样间隔,获得待监测设备的振动速度数据有效值,追踪一段时间,可获得振动速度有效值的时间序列趋势数据,本案例共选取745次速度有效值的测量结果作为时间序列趋势数据,具体参见图3。
2.设定数据集的长度为15、回调点数量为3,选取当前时刻数据以及之前14次测量结果的数据,构建数据集A1(i),对该数据集求差分,得到数据集D1(i)。再采取上述方法步骤中的方法进行计算判别,A1(i)满足局部趋势的特征要求。
3.继续追溯A1(i)数据集之前一段时间的历史数据,构建数据集B1(i),采取步骤的方法,计算判别B1(i)中所有符合条件的局部趋势。经计算,B1(i)中有7个符合条件的局部趋势。具体参见图4中的箭头标记。
4.根据方法步骤中的趋势合并要求,只有最后一条局部趋势满足条件,能够与局部趋势A1(i)进行合并,合并后的整体趋势起点和终点如下图5所示。
5.计算该整体趋势的幅值、峰峰值、最小值、波动情况、增长情况、数值大小分布情况等,同时计算图5中整体趋势起点之前一段时间历史趋势数据的幅值、波动情况、增长情况、数值大小分布情况、时间序列分布情况等。
6.基于以上分析结果,能够发现该设备振动速度指标在历史数据中存在大量波动,并且在距局部趋势A1(i)之内很短的时间间隔内,也出现过类似的局部趋势,说明局部趋势A1(i)并非设备突发故障导致的速度有效值连续上升,且A1(i)相对于最近的局部趋势也没有显著的幅值提升,综合考虑其他的指标大小、数据形态以及实际工况需求后,将局部趋势A1(i)定义为一级报警。
从以上两个案例的处理结果中可以看出,本方法最终的报警综合考虑了特征指标的历史数据,避免了实时测量波动造成的误报,同时报警门限的设置不是单一的阈值范围,而是根据特征指标的在时间序列上的变化趋势,提取出数值特征、形态特征进行的综合分级报警,最终保证了分级报警结果的稳定性、准确性和全面性。
整体而言,本发明主要贡献点在于对时间序列趋势数据分析,但核心分析点不在于通过与历史数据的偏离来判断是否存在数据异常,而是通过趋势数据的形态特征和数值特征两方面进行综合分析,这是传统诊断方法中没有涉及到的点。
其中,形态特征的应用体现在以下几个方面:
(1)本发明对数据进行报警的前提是识别出局部趋势或整体趋势,而识别这两种趋势的核心方法是充分考虑到一段趋势数据的形态特征变化情况,而不是简单只统计历史数据的峰值、幅值等特征参数。以文中图4(案例二的历史数据中的局部趋势判别结果)为例,历史数据中包含7个局部趋势,但充分结合了局部特征的时间分布间隔以及数值大小关系后,才确定只有最后一条局部趋势满足条件,能够合并成整体趋势。
(2)在对整体趋势进行报警判别时,本发明也不只是分析历史数据的数值特征,而是考虑整体趋势本身以及历史数据的波动情况、增长情况、数值大小分布情况后,才确定最终的报警级别。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (9)
1.一种基于通用指标趋势分析的设备分级报警方法,其特征在于,步骤包括:
步骤一:追溯设备特征指标的历史数据,获得该特征指标的时间序列趋势数据;
步骤二:提取时间序列趋势数据中当前时刻的数据以及前移设定时段内的数据,判断该设定时段内的数据是否符合异常数据趋势,若不符合则说明设备数据正常,无需报警,若符合则说明设备数据异常,此时将该设定时段内的异常数据趋势定义为局部趋势;
步骤三:对当前所述局部趋势进行历史数据的追踪分析,若历史数据中没有相同的局部趋势,则通过对比当前局部趋势与历史数据的数值特征,对当前局部趋势进行分级报警,若历史数据中存在相同的局部趋势,则将所有局部趋势合并构成整体趋势,对所述整体趋势进行数值特征和形态特征的判别分类,并结合实际的报警需求,制定对应的分级门限,对所述整体趋势进行分级报警。
2.根据权利要求1所述的一种基于通用指标趋势分析的设备分级报警方法,其特征在于,所述特征指标为设备的振动信号、声音信号、温度信号、电压信号、电流信号、压力信号或转速信号。
3.根据权利要求1所述的一种基于通用指标趋势分析的设备分级报警方法,其特征在于,所述异常数据趋势的类型包括连续上升、连续下降、长期稳定。
4.根据权利要求1所述的一种基于通用指标趋势分析的设备分级报警方法,其特征在于,步骤二中,在提取时间序列趋势数据中当前时刻的数据以及前移设定时段内的数据后,构建数据集,通过对数据集的梯度计算,判断数据集内满足异常数据趋势的点数,从而判断当前数据集是否符合异常数据趋势。
5.根据权利要求4所述的一种基于通用指标趋势分析的设备分级报警方法,其特征在于,在判断当前数据集是否符合异常数据趋势时,需从数据整体趋势上进行判断,同时参照以下辅助判别方法:
(1)允许存在个别不满足异常数据趋势的点数;
(2)若数据集内数据的变化速率高于设定速率,也判定为符合异常数据趋势;
(3)针对不同设备特征指标的不同形态特征,数据集的长度可自适应修改。
6.根据权利要求1所述的一种基于通用指标趋势分析的设备分级报警方法,其特征在于,步骤三中,在对当前局部趋势进行分级报警时,具体方式为:计算当前局部趋势数值特征超出历史数据数值特征的比例,并根据超出比例范围,并结合实际的报警需求,制定对应的分级门限,对当前局部趋势进行分级报警,同时参照以下辅助判别方法:
(1)对于历史数据,通过四分位法,剔除异常数据;
(2)历史数据中如果有梯度大于设定值的异常值,则进行剔除。
7.根据权利要求1所述的一种基于通用指标趋势分析的设备分级报警方法,其特征在于,步骤三中,将所有局部趋势合并构成整体趋势的具体方式为:识别出历史数据中全部符合异常数据趋势的数据集所构成的局部趋势,以当前局部趋势为识别起点,逐步向前判断前一个局部趋势与后一个局部趋势的关系,对于符合以下条件的局部趋势进行合并:
(1)前一个局部趋势数值特征需小于后一个局部趋势数值特征;
(2)前一个局部趋势与后一个局部趋势的时间间隔保持在设定范围内;
合并时,选取最后判断的符合条件的局部趋势的起点作为数据集的起始点,选取当前局部趋势的尾点作为数据集的结束点,构建数据集,以该数据集构成整体趋势。
8.根据权利要求1所述的一种基于通用指标趋势分析的设备分级报警方法,其特征在于,所述数值特征为幅值、峰值、最小值、峭度、歪度或裕度。
9.根据权利要求1所述的一种基于通用指标趋势分析的设备分级报警方法,其特征在于,所述形态特征为波动情况、增长情况、数值大小分布情况或时间序列分布情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210359608.8A CN114664063A (zh) | 2022-04-07 | 2022-04-07 | 一种基于通用指标趋势分析的设备分级报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210359608.8A CN114664063A (zh) | 2022-04-07 | 2022-04-07 | 一种基于通用指标趋势分析的设备分级报警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114664063A true CN114664063A (zh) | 2022-06-24 |
Family
ID=82035287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210359608.8A Pending CN114664063A (zh) | 2022-04-07 | 2022-04-07 | 一种基于通用指标趋势分析的设备分级报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114664063A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206427A (zh) * | 2023-05-06 | 2023-06-02 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
CN117093917A (zh) * | 2023-10-18 | 2023-11-21 | 北京天泽智云科技有限公司 | 基于融合累计量的数据异常检测方法及系统 |
WO2024169681A1 (zh) * | 2023-02-15 | 2024-08-22 | 山东科技大学 | 基于幅值变化趋势的火电厂温度变量报警预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140116776A1 (en) * | 2012-10-31 | 2014-05-01 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
US20160062820A1 (en) * | 2013-03-15 | 2016-03-03 | Richard B. Jones | System and method for the dynamic analysis of event data |
CN108132867A (zh) * | 2018-01-11 | 2018-06-08 | 安徽容知日新科技股份有限公司 | 一种设备故障报警方法及计算设备 |
CN112017409A (zh) * | 2020-08-25 | 2020-12-01 | 西安因联信息科技有限公司 | 一种机械设备振动短时增长幅度的趋势预警方法 |
CN113934615A (zh) * | 2021-12-15 | 2022-01-14 | 山东中创软件商用中间件股份有限公司 | 一种数据监控方法、装置及设备 |
-
2022
- 2022-04-07 CN CN202210359608.8A patent/CN114664063A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140116776A1 (en) * | 2012-10-31 | 2014-05-01 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
US20160062820A1 (en) * | 2013-03-15 | 2016-03-03 | Richard B. Jones | System and method for the dynamic analysis of event data |
CN108132867A (zh) * | 2018-01-11 | 2018-06-08 | 安徽容知日新科技股份有限公司 | 一种设备故障报警方法及计算设备 |
CN112017409A (zh) * | 2020-08-25 | 2020-12-01 | 西安因联信息科技有限公司 | 一种机械设备振动短时增长幅度的趋势预警方法 |
CN113934615A (zh) * | 2021-12-15 | 2022-01-14 | 山东中创软件商用中间件股份有限公司 | 一种数据监控方法、装置及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024169681A1 (zh) * | 2023-02-15 | 2024-08-22 | 山东科技大学 | 基于幅值变化趋势的火电厂温度变量报警预测方法及系统 |
CN116206427A (zh) * | 2023-05-06 | 2023-06-02 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
CN116206427B (zh) * | 2023-05-06 | 2023-06-30 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
CN117093917A (zh) * | 2023-10-18 | 2023-11-21 | 北京天泽智云科技有限公司 | 基于融合累计量的数据异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114664063A (zh) | 一种基于通用指标趋势分析的设备分级报警方法 | |
CN111508216B (zh) | 一种大坝安全监测数据智能预警方法 | |
CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及系统 | |
CN116360367A (zh) | 一种工业设备物联网数据采集方法及系统 | |
CN117233541B (zh) | 一种配电网电力线路运行状态测量方法及测量系统 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN112417763B (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
CN118376936B (zh) | 一种锂电池状态智能诊断方法及系统 | |
CN118091300B (zh) | 基于数据分析的贴片电阻故障诊断方法 | |
CN116315173A (zh) | 基于新能源汽车的电池温度采样系统 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
CN112326246A (zh) | 基于周期数据及核密度估计的轴承安全状态在线监测方法 | |
CN118030409A (zh) | 用于风机机组的运行性能异常检测方法及系统 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
WO2023029382A1 (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 | |
CN115790944A (zh) | 一种直线电机推力测试机测试预警方法及系统 | |
CN115422177A (zh) | 煤电机组过程数据清洗方法、系统、介质、设备及终端 | |
CN112526558B (zh) | 一种局部数据缺失条件下的系统运行工况识别与切割方法 | |
CN111058944B (zh) | 一种柴油发电机组气缸温度异常检测方法及系统 | |
CN114429173A (zh) | 一种基于支持向量数据描述的转子系统异常检测方法 |
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 |