CN115909697B - 基于幅值变化趋势概率推断的报警状态预测方法及系统 - Google Patents
基于幅值变化趋势概率推断的报警状态预测方法及系统 Download PDFInfo
- Publication number
- CN115909697B CN115909697B CN202310112904.2A CN202310112904A CN115909697B CN 115909697 B CN115909697 B CN 115909697B CN 202310112904 A CN202310112904 A CN 202310112904A CN 115909697 B CN115909697 B CN 115909697B
- Authority
- CN
- China
- Prior art keywords
- amplitude
- alarm state
- data
- data segment
- probability
- 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
Links
Images
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于工业监测变量的报警状态预测领域,提供了基于幅值变化趋势概率推断的报警状态预测方法及系统,克服了现有报警预测方法存在的局限性,其采样分段线性表示方法,获得历史数据和当前数据的分段线性表示结果;提取分段线性表示结果中幅值上升趋势数据段的幅值初始值和幅值变化量,采用贝叶斯估计得到当前数据段触发报警状态的后验概率;最后,依据Dempster‑Shafer证据理论,融合当前数据段未来处于报警状态、非报警状态和未知状态的概率,得到当前数据段触发报警状态的预测概率及其置信区间。对于提高报警系统在工业生产中的应用效果,减少生产异常造成的经济损失,避免重大生产事故发生具有重要意义。
Description
技术领域
本发明属于工业监测变量的报警预测技术领域,尤其涉及基于幅值变化趋势概率推断的报警状态预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
报警系统是现代工业中计算机监控系统的重要组成部分,对生产运行人员进行生产异常、设备故障等监测发挥着至关重要的作用。当生产异常、设备故障、人为误操作等异常情况出现时,报警系统产生报警信号,运行人员根据报警信号,采取恰当的操作措施,规避生产异常、设备故障等导致的生产损失。
在实际生产过程中,生产异常、设备故障、人为误操作等发生后,需要运行人员及时进行处置,如不能及时处置,则这些异常情况可能进一步恶化为重大生产事故。然而,这些异常情况的实际发生时刻与报警触发时刻之间一般具有较大的差异,使得运行人员的处置时间被严重压缩,极易引发处置不当而造成严重经济损失以及重大生产事故。
现有报警状态预测方法大致可分为时间序列建模方法和时间序列分类方法。时间序列建模方法是通过建立监测变量的时间序列回归模型、神经网络模型等实现报警预测;时间序列分类方法是通过对监控变量的时间序列进行非报警状态与报警状态的划分,实现报警预测。尽管现有的两类方法都具有一定的合理性,但都需要大量报警状态下的历史数据作为支撑,还缺乏对报警预测结果的可靠性度量,在实际应用中具有明显的局限性。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供基于幅值变化趋势概率推断的报警状态预测方法,其与现有的报警状态预测方法相比,不仅可适用于历史数据中无报警状态或仅有少量报警状态数据的情况,对于提高报警系统在生产中的应用效果,减少生产异常造成的经济损失,避免重大生产事故发生具有重要意义,同时还能给出报警状态预测结果的可靠性度量。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供基于幅值变化趋势概率推断的报警状态预测方法,包括如下步骤:
获取工业监测变量的历史数据和当前数据;
采用分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段;
以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量分别触发报警状态的后验概率及其置信区间;
基于该后验概率及其置信区间,采用Dempster-Shafer证据理论,融合当前数据的幅值上升趋势数据段中幅值初始值和幅值变化量未来处于报警状态、非报警状态和未知状态的概率,经换算得到当前数据的幅值上升趋势的数据段触发报警状态的预测概率及其置信区间。
作为一种实施方式,采用自底向上的分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段,具体是将工业监测变量在历史数据和当前数据中的幅值上升趋势数据段划分为若干个子数据段,各个子数据段均可以用直线段进行近似。
作为一种实施方式,所述以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量触发报警状态的后验概率及其置信区间具体包括如下步骤:
基于历史数据和当前数据中的幅值上升趋势数据段分别得到对应的幅值初始值和幅值变化量;
以历史数据中幅值上升趋势数据段的幅值初始值集合与幅值变化量集合为基础,分别确定小于当前数据的幅值上升趋势数据段的幅值初始值和幅值变化量的元素数量;基于该元素数量,利用贝叶斯估计法,估计得到当前数据的幅值上升趋势的数据段的幅值初始值和幅值变化量触发报警状态的后验概率及其置信区间。
作为一种实施方式,所述幅值上升趋势数据段的幅值初始值是分段线性表示结果的第一个样本点幅值,幅值上升趋势数据段的幅值变化量是分段线性表示结果的最后一个样本点幅值与第一个样本点幅值之间的差值。
作为一种实施方式,前数据中幅值上升趋势数据段到达报警状态的置信区间上下限,由当前数据段到达报警状态和非报警状态的预测概率换算得到。
本发明的第二个方面提供基于幅值变化趋势概率推断的报警状态预测系统,包括:
数据获取模块,用于获取工业监测变量的历史数据和当前数据;
数据段提取模块,用于采用分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段;
报警状态估计模块,用于以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量分别触发报警状态的后验概率及其置信区间;
幅值变化趋势概率推断模块,用于基于该后验概率及其置信区间,采用Dempster-Shafer证据理论,融合当前数据的幅值上升趋势数据段中幅值初始值和幅值变化量未来处于报警状态、非报警状态和未知状态的概率,经换算得到当前数据的幅值上升趋势的数据段触发报警状态的预测概率及其置信区间。
作为一种实施方式,数据段提取模块中,采用自底向上的分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段,具体是将工业监测变量在历史数据和当前数据中的幅值上升趋势数据段划分为若干个子数据段,各个子数据段均可以用直线段进行近似。
作为一种实施方式,报警状态估计模块中,所述以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量触发报警状态的后验概率及其置信区间具体包括如下步骤:
基于历史数据和当前数据中的幅值上升趋势数据段分别得到对应的幅值初始值和幅值变化量;
以历史数据中幅值上升趋势数据段的幅值初始值集合与幅值变化量集合为基础,分别确定小于当前数据的幅值上升趋势数据段的幅值初始值和幅值变化量的元素数量;基于该元素数量,利用贝叶斯估计法,估计得到当前数据的幅值上升趋势的数据段的幅值初始值和幅值变化量触发报警状态的后验概率及其置信区间。
作为一种实施方式,报警状态估计模块中,所述幅值上升趋势数据段的幅值初始值是分段线性表示结果的第一个样本点幅值,幅值上升趋势数据段的幅值变化量是分段线性表示结果的最后一个样本点幅值与第一个样本点幅值之间的差值。
作为一种实施方式,当前数据中幅值上升趋势数据段到达报警状态的置信区间上下限,由当前数据段到达报警状态和非报警状态的预测概率换算得到。
与现有技术相比,本发明的有益效果是:
本发明公开的方法不仅适用于历史数据中无报警状态或仅有少量报警状态数据的情况,还能给出报警预测结果的可靠性度量,克服了现有方法依赖于大量报警状态历史数据的不足以及弥补了现有方法缺少预测结果的可靠性度量问题,对于提高报警系统在生产中的应用效果,减少生产异常造成的经济损失,避免重大生产事故发生具有重要意义。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例一基于幅值变化趋势概率推断的报警状态预测方法流程图;
图2(a)-图2(b)是本发明实施例一反应器压力在模式1和模式3下正常工况时的趋势曲线;其中,图2(a)是反应器压力在模式1下正常工况时的趋势曲线,图2(b)是反应器压力在模式3下正常工况时的趋势曲线;
图3(a)-图3(b)是本发明实施例一反应器压力在模式1和模式3下故障工况时的压力趋势曲线;其中,图3(a)是反应器压力在模式1下故障工况时的压力趋势曲线,图3(b)是反应器压力在模式3下故障工况时的压力趋势曲线;
图4(a)-图4(c)是本发明实施例一反应器压力在不同故障工况下的当前幅值上升趋势数据段;其中,图4(a)是反应器压力在c1故障工况下的当前幅值上升趋势数据段;图4(b)是反应器压力在c2故障工况下的当前幅值上升趋势数据段;图4(c)是反应器压力在c3故障工况下的当前幅值上升趋势数据段;
图5是本发明实施例一监测变量的幅值趋势上升数据段的幅值初始值与幅值变化量的散点图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例提供了基于幅值变化趋势概率推断的报警状态预测方法,包括如下步骤:
S1:获取工业监测变量的历史数据和当前数据;
S2:采用分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段;
S3:以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量触发报警状态的后验概率及其置信区间;
S4:采用Dempster-Shafer证据理论,融合当前数据的幅值上升趋势数据段中幅值初始值和幅值变化量未来处于报警状态、非报警状态和未知状态的概率,得到当前数据的幅值上升趋势的数据段触发报警状态的预测概率及其置信区间。
S2中,采用自底向上的分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段是将工业监测变量在历史数据和当前数据中的幅值上升趋势数据段划分为若干个子数据段,各个子数据段均可以用直线段进行近似。
具体地,采用自底向上的线性分段表示方法,将长度为T h 的历史数据转化为N个趋势据段/>,并判断/>中的幅值趋势上升数据段。采用同样的方法与步骤,从缓存中的当前数据/>中,提取幅值上升趋势数据段/>;并判断/>中的幅值趋势上升数据段。采用同样的方法与步骤,从缓存中的当前数据/>中,提取幅值上升趋势数据段/>;
具体包括如下步骤:
式中,R 0表示分段线性表示的拟合优度下界值,其具体取值由用户选择,本实施例中取值为0.8。
S3中,所述以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量触发报警状态的后验概率及其置信区间具体包括如下步骤:
S32:以历史数据中幅值上升趋势数据段的幅值初始值和幅值变化量为基础,结合当前数据中监测变量的幅值上升趋势数据段/>的初始值/>和变化量/>,确定历史数据中幅值上升趋势数据段的幅值初始值/>和幅值变化量/>中分别小于/>和/>的元素,并依据这些元素的数量,通过贝叶斯估计得到/>和/>触发报警状态/>的后验概率及其置信区间;
其中,
S3中,幅值上升趋势数据段的幅值初始值是分段线性表示结果的第一个样本点幅值,幅值上升趋势数据段的幅值变化量是分段线性表示结果的最后一个样本点幅值与第一个样本点幅值之间的差值。
S4中,所述采用Dempster-Shafer证据理论,融合当前数据中监测变量的幅值上升趋势的数据段中幅值初始值/>和幅值变化量/>未来处于报警状态/>、非报警状态/>和未知状态/>的概率,得到当前数据中监测变量的幅值上升趋势的数据段触发报警状态的预测概率及其置信区间具体包括:
与之类似,当前幅值上升趋势数据段触发非报警状态的预测概率置信区间为:
上述为采用Dempster-Shafer证据理论对当前数据段的幅值初始值和幅值变化量到达报警状态、非报警状态和未知状态的概率进行融合的步骤。其中,当前数据中幅值上升趋势数据段到达报警状态的置信区间上下限,由当前数据段到达报警状态和非报警状态的预测概率/>换算得到的。
其中,未知状态是为了描述触发报警状态的预测结果不确定性引入的状态,同时未知状态的引入,解决了幅值初始值与幅值变化量分别处于报警状态和非报警状态时,其概率之和不等于1的问题。
为了便于理解,下面采用基于田纳西-伊斯曼(Tennessee Eastman,TE)过程的数值算例进行说明。
TE过程主要包括反应器、冷凝器、压缩机、分离器和汽提塔5个单元,以及泵、能量交换器、阀门和传感器等辅助设备。
TE过程主要涉及4种不可逆的放热化学反应,简单表示如下:
其中,A、B、C、D和E是五种原料气,F是液体副产品,G和H是两种气体产品。与不同的G/H质量比对应,TE过程主要有6种不同的运行模式,具体如表1所示。
表1 田纳西-伊斯曼过程的六种模式
模式 | G/H质量比 | 生产速率 |
1 | 50/50 | 7038 kg/h (G) and 7038 kg/h (H) |
2 | 10/90 | 1408 kg/h (G) and 12669 kg/h (H) |
3 | 90/10 | 10000 kg/h (G) and 1111kg/h (H) |
4 | 50/50 | 最大生产速率 |
5 | 10/90 | 最大生产速率 |
6 | 90/10 | 最大生产速率 |
表2中给出了模式1和模式3下与反应器压力相关的其它监测变量名称及其稳态值。
表2模式1和模式3下相关监测变量的描述
监测变量 | 单位 | 模式1 | 模式3 |
A Feed | kscm/h | 0.267 | 0.194 |
D Feed | kg/h | 3657 | 5179 |
E Feed | kg/h | 4440 | 700 |
A + C Feed | kscm/h | 9.24 | 7.83 |
循环流量 | kscm/h | 38.39 | 19.67 |
反应器进料速率 | kscm/h | 47.36 | 32.09 |
反应器温度 | ℃ | 122.9 | 121.9 |
净化速率 | kscm/h | 0.211 | 0.087 |
分离器温度 | ℃ | 91.7 | 83.4 |
分离器压力 | kPa | 2706 | 2765 |
分离器下溢 | m/h | 25.28 | 17.55 |
汽提塔压力 | kPa | 3326 | 2996 |
汽提塔下溢 | m3/h | 22.89 | 18.04 |
汽提塔温度 | ℃ | 66.5 | 62.3 |
蒸汽流量 | kg/h | 4.74 | 5.34 |
压缩机功率 | kW | 278.9 | 272.6 |
反应堆冷却剂温度 | ℃ | 102.4 | 101.9 |
分离器冷却液温度 | ℃ | 92.0 | 45.0 |
图2(a)和图2(b)分别为模式1和模式3下正常工况时反应器压力的3个小时趋势曲线。TE过程可能发生的故障主要有阶跃故障、粘连故障和随机故障等预设故障。
为了验证本发明所公开的报警预测方法,分别在模式1和模式3下运行1小时后,激活阶跃故障,所得到时间序列如图3(a)中和图3(b)所示。通过对图3(a)和图3(b)中两组数据观察可知,在模式1下,故障导致了反应器压力的迅速增加,而在模式3下,反应器压力/>先有明显的下降,然后又快速上升。
为了构建历史数据,本实施例采用3个随机故障模拟生成历史数据,3个随机故障分别为:1)A、B和C成分中的随机故障8;2)D进料温度中的随机错误9;3)冷凝器冷却水入口温度中的任意故障12。在模式1或3下各进行100次蒙特卡罗仿真,每次仿真中随机激活故障8、9、12,各次模拟时间均为2小时。
下面以所生成的仿真数据为基础,进一步阐述本实施例提出的报警预测方法,具体包括如下步骤:
第二步,由式(5)和式(6)得到这些幅值上升趋势数据段的幅值初始值和幅值变化量/>,记为/>与/>,所有初始值和变化量构成的二维样本点的散点图如图5所示。然后,在模式1下的激活随机故障8、9和12来模拟当前数据段/>,得到的/>如图4(a)所示,并使用分段线性表示方法得到监测变量的当前幅值上升趋势数据段,得到当前数据段的幅值初始值和幅值变化量为图5中的c1点。在集合/>中小于/>的样本数量为31,在集合/>中小于/>的样本数量为221。以这些数据为基础,由式(7)、式(16)、式(18)和式(19)得到/>触发报警状态的预测概率及其置信区间如表3中所示。
表3 c1触发报警状态的预测概率及其置信区间
在表3中,当前数据段触发报警状态的预测概率很低。这是因为与历史数据相比,/>和/>都不是很大,尤其是/>小于大多数/>。因此,c1对应的变化更有可能是由噪声引起的,而非由某些故障导致的。这在后续仿真中得到了验证,即随着仿真时长增加,/>没有进入报警状态。/>
第三步,在仿真过程中激活故障6,模拟历史上从未发生过的新故障,得到的仿真序列如图4(b)所示。监测变量的当前数据出现了幅值上升趋势数据段,幅值初始值为kPa,幅值变化量为/>kPa。在集合/>和中,小于/>和/>的样本数量分别为36和399。尽管/>和/>之间的比较结果与/>和/>相差不大,但/>与/>相比得到样本数量显著增大,所以表4中的/>接近表3中的/>,但表4中远大于表3中/>。表4给出了/>触发报警状态的预测概率及置信区间,其中触发报警状态的概率为0.5217,这意味着/>可能会发生报警状态。
表4 c2触发报警状态的预测概率及其置信区间
后续的仿真结果验证了上述推断,对应的时间序列曲线如图4(c)所示。此时,在集合和/>中小于/>和/>的样本数量分别为400和418,触发报警状态的概率为0.9965,这表明当前时间序列极有可能生成报警状态。根据仿真结果,当前数据段/>确实超过了高报警阈值/>kPa。
需要说明的是,本实施例仅以配置高报警阈值的监测变量及其幅值上升趋势为例加以说明;如果监测变量配置低报警阈值,则将上升趋势改为下降趋势,所提出方法可同样适用。
实施例二
本实施例提供了基于幅值变化趋势概率推断的报警状态预测系统,包括:
数据获取模块,用于获取工业监测变量的历史数据和当前数据;
数据段提取模块,用于采用分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段;
报警状态估计模块,用于以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量触发报警状态的后验概率及其置信区间;
幅值变化趋势概率推断模块,用于基于该后验概率及其置信区间,采用Dempster-Shafer证据理论,融合当前数据的幅值上升趋势数据段中幅值初始值和幅值变化量未来处于报警状态、非报警状态和未知状态的概率,得到当前数据的幅值上升趋势的数据段触发报警状态的预测概率及其置信区间。
其中,数据段提取模块中,采用自底向上的分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段,具体是将工业监测变量在历史数据和当前数据中的幅值上升趋势数据段划分为若干个子数据段,各个子数据段均可以用直线段进行近似。
其中,报警状态估计模块中,所述以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量触发报警状态的后验概率及其置信区间具体包括如下步骤:
基于历史数据和当前数据中的幅值上升趋势数据段分别得到对应的幅值初始值和幅值变化量;
以历史数据中幅值上升趋势数据段的幅值初始值集合与幅值变化量集合为基础,分别确定小于当前数据的幅值上升趋势的数据段的幅值初始值和幅值变化量的元素数量;基于该元素数量,利用贝叶斯估计法,估计得到当前数据的幅值上升趋势的数据段的幅值初始值和幅值变化量触发报警状态的后验概率及其置信区间。
其中,报警状态估计模块中,所述幅值上升趋势数据段的幅值初始值是分段线性表示结果的第一个样本点幅值,幅值上升趋势数据段的幅值变化量是分段线性表示结果的最后一个样本点幅值与第一个样本点幅值之间的差值。
其中,幅值变化趋势概率推断模块种,当前数据中幅值上升趋势数据段到达报警状态的置信区间上下限,由当前数据段到达报警状态和非报警状态的预测概率换算得到。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于幅值变化趋势概率推断的报警状态预测方法,其特征在于,包括如下步骤:
获取工业监测变量的历史数据和当前数据;
采用分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段;
以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,分别得到对应的幅值初始值和幅值变化量;
以历史数据中幅值上升趋势数据段的幅值初始值集合与幅值变化量集合为基础,分别确定小于当前数据中幅值上升趋势数据段的幅值初始值和幅值变化量的元素数量;基于该元素数量,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量分别触发报警状态的后验概率及其置信区间;
基于该后验概率及其置信区间,采用Dempster-Shafer证据理论,融合当前数据的幅值上升趋势数据段中幅值初始值和幅值变化量未来处于报警状态、非报警状态和未知状态的概率,经换算得到当前数据的幅值上升趋势的数据段触发报警状态的预测概率及其置信区间。
2.根据权利要求1所述的基于幅值变化趋势概率推断的报警状态预测方法,其特征在于,采用自底向上的分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段,具体是将工业监测变量在历史数据和当前数据中的幅值上升趋势数据段划分为若干个子数据段,各个子数据段均用直线段进行近似。
3.根据权利要求1所述的基于幅值变化趋势概率推断的报警状态预测方法,其特征在于,所述幅值上升趋势数据段的幅值初始值是分段线性表示结果的第一个样本点幅值,幅值上升趋势数据段的幅值变化量是分段线性表示结果的最后一个样本点幅值与第一个样本点幅值之间的差值。
4.根据权利要求1所述的基于幅值变化趋势概率推断的报警状态预测方法,其特征在于,当前数据中幅值上升趋势数据段到达报警状态的置信区间上下限,由当前数据段到达报警状态和非报警状态的预测概率换算得到。
5.基于幅值变化趋势概率推断的报警状态预测系统,其特征在于,包括:
数据获取模块,用于获取工业监测变量的历史数据和当前数据;
数据段提取模块,用于采用分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段;
报警状态估计模块,用于以工业监测变量在历史数据和当前数据中的幅值上升趋势数据段为基础,分别得到对应的幅值初始值和幅值变化量;
以历史数据中幅值上升趋势数据段的幅值初始值集合与幅值变化量集合为基础,分别确定小于当前数据中幅值上升趋势数据段的幅值初始值和幅值变化量的元素数量;基于该元素数量,利用贝叶斯估计法,估计得到当前数据中的幅值上升趋势数据段的幅值初始值和幅值变化量分别触发报警状态的后验概率及其置信区间;
幅值变化趋势概率推断模块,用于基于该后验概率及其置信区间,采用Dempster-Shafer证据理论,融合当前数据的幅值上升趋势的数据段中幅值初始值和幅值变化量未来处于报警状态、非报警状态和未知状态的概率,经换算得到当前数据的幅值上升趋势的数据段触发报警状态的预测概率及其置信区间。
6.根据权利要求5所述的基于幅值变化趋势概率推断的报警状态预测系统,其特征在于,数据段提取模块中,采用自底向上的分段线性表示方法,提取工业监测变量在历史数据和当前数据中的幅值上升趋势数据段,具体是将工业监测变量在历史数据和当前数据中的幅值上升趋势数据段划分为若干个子数据段,各个子数据段均用直线段进行近似。
7.根据权利要求5所述的基于幅值变化趋势概率推断的报警状态预测系统,其特征在于,报警状态估计模块中,所述幅值上升趋势数据段的幅值初始值是分段线性表示结果的第一个样本点幅值,幅值上升趋势数据段的幅值变化量是分段线性表示结果的最后一个样本点幅值与第一个样本点幅值之间的差值。
8.根据权利要求5所述的基于幅值变化趋势概率推断的报警状态预测系统,其特征在于,幅值变化趋势概率推断模块中,当前数据中幅值上升趋势数据段到达报警状态的置信区间上下限,由当前数据段到达报警状态和非报警状态的预测概率换算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310112904.2A CN115909697B (zh) | 2023-02-15 | 2023-02-15 | 基于幅值变化趋势概率推断的报警状态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310112904.2A CN115909697B (zh) | 2023-02-15 | 2023-02-15 | 基于幅值变化趋势概率推断的报警状态预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909697A CN115909697A (zh) | 2023-04-04 |
CN115909697B true CN115909697B (zh) | 2023-05-23 |
Family
ID=85751796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310112904.2A Active CN115909697B (zh) | 2023-02-15 | 2023-02-15 | 基于幅值变化趋势概率推断的报警状态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909697B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012129561A1 (en) * | 2011-03-24 | 2012-09-27 | Pariyani Ankur | Dynamic risk analysis using alarm database |
CN104600680A (zh) * | 2015-02-16 | 2015-05-06 | 国家电网公司 | 一种基于数据融合的智能报警方法 |
CN106226658B (zh) * | 2016-09-07 | 2021-01-01 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于多数据融合的电网故障诊断方法 |
CN108922140B (zh) * | 2018-08-07 | 2019-08-16 | 山东科技大学 | 一种基于N-gram模型的工业报警泛滥预测方法 |
-
2023
- 2023-02-15 CN CN202310112904.2A patent/CN115909697B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于变化速率的单变量报警系统设计;曲俊潇;王建东;王振;;科学技术与工程(19);189-197 * |
基于趋势特征聚类的多元相似时间序列的提取;解初;王建东;韩邦磊;王振;;科学技术与工程(07);277-284 * |
Also Published As
Publication number | Publication date |
---|---|
CN115909697A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pilario et al. | Canonical variate dissimilarity analysis for process incipient fault detection | |
Zhu et al. | A dynamic alarm management strategy for chemical process transitions | |
EP2519895B1 (en) | Method and apparatus for monitoring performance and anticipate failures of plant instrumentation | |
EP2171598B1 (en) | Fuzzy classification approach to fault pattern matching | |
JP6933899B2 (ja) | プラント運転支援装置、プラント運転支援方法、及びプラント運転支援プログラム | |
JP5303474B2 (ja) | 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム | |
JP5205055B2 (ja) | オレフィン回収トレインへの異常事象検知技術の適用 | |
CN109033499B (zh) | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 | |
Cai et al. | Incipient fault detection for nonlinear processes based on dynamic multi-block probability related kernel principal component analysis | |
Hsu et al. | A novel process monitoring approach with dynamic independent component analysis | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
Zhao et al. | Predictive maintenance policy based on process data | |
WO2021241576A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
CN110009126B (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
Harrou et al. | A statistical fault detection strategy using PCA based EWMA control schemes | |
CN117009831A (zh) | 一种精细化工事故风险预测评估方法 | |
Sharafi et al. | Identifying the time of step change in binary profiles | |
CN115909697B (zh) | 基于幅值变化趋势概率推断的报警状态预测方法及系统 | |
KR101982235B1 (ko) | 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치 | |
Yang et al. | A local Mahalanobis distance analysis based methodology for incipient fault diagnosis | |
US20180264376A1 (en) | Method of real-time prognosis of flooding phenomenon in packed column | |
Sivalingam et al. | Detection of decomposition for high pressure ethylene/vinyl acetate copolymerization in autoclave reactor using principal component analysis on heat balance model | |
Galicia et al. | Statistics Pattern Analysis based fault detection and diagnosis | |
CN112306035B (zh) | 化工过程运行故障的诊断系统 | |
Kumar et al. | Multivariate statistical monitoring of a high‐pressure polymerization process |
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 |