CN116206427A - 一种基于通用指标自适应阈值的分级报警方法 - Google Patents

Abstract

本发明属于信号处理技术领域内的一种基于通用指标自适应阈值的分级报警方法，包括获取设备特征指标下历史数据中的时序数据，判断时序数据的数据量是否满足符合报警计算的最低数据长度；采集该特征指标下的当前时刻数组和异常数据数组，判断当前时刻数组中当前数值是否大于历史数据中前移时间段的设定比例数值，将历史数据中前移时间段的设定比例数据记为报警触发门限，再根据报警触发门限制定分级门限阈值，将当前数值与分级门限阈值进行对比以对应执行分级报警；本发明通过分析近期时序数据的分布变化情况，制定当前时刻自适应的异常数据判断阈值，分级报警的判断阈值，以及不同层级的报警抑制规则，能够对当前故障数据进行有效的分级报警。

Description

一种基于通用指标自适应阈值的分级报警方法

技术领域

本发明属于信号处理技术领域，具体涉及一种基于通用指标自适应阈值的分级报警方法。

背景技术

现有技术中，通常是每个设备厂家每种数据类型开发一套指标采集处理系统，从源数据得到归一化的指标数据，然后优化算法从各设备厂家获取归一化的指标数据进行优化设计，但这种模式每一个优化算法的调整都需要修改所有设备厂家对应的代码，面临着大量的开发工作量，以及后续复杂维护场景。对于预报警系统，报警阙值的合理设置直接影响报警系统的运行效率。由于过渡阶段与稳定阶段不同，如果将过渡阶段和稳定阶段一起处理，会降低报警的准确性，易产生误报警和漏报警。在设定值切换过程或过渡过程中，如果报警阙值不进行相应改变，会发生大量的误报率；而较为宽松的报警阙值也会造成对过程的扰动不敏感，由此出现漏报警。

目前动态阈值调整的方法是基于阈值监测的优化改进思路，即采用滑动窗口算法训练历史数据，得到初始化最优窗口长度和过渡过程的先验信息。由于过渡过程是一个动态变化过程，基于贝叶斯估计理论，结合历史数据和新数据来推测下一时刻的数据得到报警阈值：在稳态过程中，采用改进的递推公式实时估计的均值、方差得到报警阈值，建立阈值监测与运行工况或运行瞬态的映射关系，使报警阈值能够根据历史数据和工况自动调整。

鲁俊兵等人提出了一种智能报警阈值的设置方法，通过大数据计算及趋势分析进行智能报警阈值设置，使得报警系统更加稳定、合理，但该方法没有设置对应的报警抑制规则，容易出现重复报警的问题（鲁俊兵，一种巨型水电厂智能报警阈值设置方法及系统 CN110046182 A）。何纪成提出一种电力监控系统设备性能指标阈值动态调整方法，通过k-means算法来计算电力监控系统中各个设备中各指标的告警阈值，同时定期调整告警阈值，到达动态调整指标告警阈值的目的，减小告警误报的产生。但是该方法采用聚类的方式，数据敏感度较低，报警不够及时，对异常数据的处理也不够充分（何纪成，电力监控系统设备性能指标阈值动态调整方法，CN 111163075 B）。

现有的方法或研究均存在以下一个或多个缺陷与不足：

（1）对于不同类型的指标，单一阈值设定的方法不具有良好的自适应性。

（2）现有方法缺少对异常数据的处理方法，容易出现异常数据产生的误报。

（3）对于数据的不同时期，需要制定不同的阈值以自适应动态的报警需求。

（4）对于经常出现波动的数据，需要设定一定的报警抑制规则，防止误报。

发明内容

本发明的目的就在于提供一种基于通用指标自适应阈值的分级报警方法，以解决背景技术中提出的问题。

本发明通过以下技术方案来实现上述目的：

一种基于通用指标自适应阈值的分级报警方法，步骤包括：

S1：追溯设备特征指标的历史数据，获取该特征指标下历史数据中设定时间段内的时序数据，判断所述时序数据的数据量是否满足符合报警计算的最低数据长度，若不满足则取消输出报警，若满足则执行步骤S2；

S2：采集该特征指标下的当前时刻数组和异常数据数组，依据所述异常数据数组排除所述历史数据中的异常值，再判断当前时刻数组中当前数值是否大于历史数据中前移时间段的设定比例数值，若是，则将所述当前数值记为异常数据且取消输出报警，若不是，将所述当前数值记为正常数据并对当前数值执行步骤S3；

S3：将所述历史数据中前移时间段的设定比例数据记为报警触发门限，再根据报警触发门限制定分级门限阈值，将所述当前数值与分级门限阈值进行对比以对应执行分级报警；判断连续报警次数是否满足预设次数，若不满足则取消输出报警，若满足则执行步骤S4；

S4：输出该特征指标下当前时刻数据的报警触发门限、报警结果、异常数据构成的数组以及报警次数。

作为本发明的进一步优化方案，所述设备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。

作为本发明的进一步优化方案，步骤S2中，若异常数据出现条数大于设定条数，则判定出现的异常数据均为正常数据，再对所述当前数值执行步骤S3。

作为本发明的进一步优化方案，步骤S2中，判断当前时刻数组中当前数值是否大于历史数据中前移时间段的设定比例数值具体为：

取历史数据中前预设定天数的历史数据；

提取所述历史数据中设定比例的数值，并对该数值加权；

将当前时刻数组中当前数值与加权后的数值进行大小比较。

作为本发明的进一步优化方案，步骤S3中，将所述历史数据中前移时间段的设定比例数据记为报警触发门限具体为：

取历史数据中前预设定天数的历史数据；

提取所述历史数据中设定比例的数值并记为报警触发门限。

作为本发明的进一步优化方案，所述步骤S4还包括：将输出的异常数据构成的数组实时并入所述异常数据数组中。

作为本发明的进一步优化方案，步骤S4中，所述报警结果具体为分级门限阈值内预设的各等级阈值报警。

本发明的有益效果在于：

本发明通过分析近期时序数据的分布变化情况，制定当前时刻自适应的异常数据判断阈值，分级报警的判断阈值，以及不同层级的报警抑制规则，能够对当前故障数据进行有效的分级报警；

本发明针对异常数据，设定了异常数据计算阈值的规则，异常数据判断的逻辑，能够解决异常数据对正常报警的影响；

本发明根据历史时序数据的变化特性，制定相应的阈值，能够适应数据的变化，对于不同时期的数据都能较好地适应并进行报警；

本发明设定了报警次数的抑制，防止偶然的波动点对报警造成的影响，保证最终报警的正确性；

本发明所提出的方法，不需要信号的先验知识，完全依据数据本身的数据特性进行滤波计算，能够对未知参数的数据进行有效的滤波。

附图说明

图1是本发明的流程示意图；

图2是本发明具体实施方式中案例1的时序数据图；

图3是本发明具体实施方式中案例2的时序数据图。

具体实施方式

下面结合附图对本发明作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本发明进行进一步的说明，不能理解为对本发明保护范围的限制，该领域的技术人员可以根据上述发明内容对本发明作出一些非本质的改进和调整。

实施例1

如图1所示，本发明提供了一种基于通用指标自适应阈值的分级报警方法，步骤包括：

S1：追溯设备特征指标的历史数据，获取该特征指标下历史数据中设定时间段内的时序数据，判断时序数据的数据量是否满足符合报警计算的最低数据长度，若不满足则取消输出报警，若满足则执行步骤S2；

具体的，现场采集设备单一指标的前 30 天指标数据，构成数组X，及该指标下的当前数组N，若数组X的数据量不满足30天的数据量，即数据长度r低于30

24/>

60/d，其中，d是采样间隔，则取消报警，报警级别为0。如果满足数据长度，则进行后续报警计算。

该方法中，需判断当前时刻采集的当前时刻的当前数组N，并与历史数组X进行合并参考，并依次判断不同时刻的数据的异常情况（为正常数据或异常数据）或报警级别。

其中，当前时刻的当前数组N为该设备单一指标下需要报警处理的时刻数量。

S2：采集该特征指标下的当前时刻数组和异常数据数组，依据所述异常数据数组排除所述历史数据中的异常值，再判断当前时刻数组中当前数值是否大于历史数据中前移时间段的设定比例数值，若是，则将当前数值记为异常数据且取消输出报警，若不是，将当前数值记为正常数据并对当前数值执行步骤S3；

步骤S2中，判断当前时刻数组中当前数值是否大于历史数据中前移时间段的设定比例数值具体为：

取历史数据中前预设定天数的历史数据；

提取历史数据中设定比例的数值，并对该数值加权；

将当前时刻数组中当前数值与加权后的数值进行大小比较。

步骤S2中，若异常数据出现条数大于设定条数，则判定出现的异常数据均为正常数据，再对当前数值执行步骤S3。若设定条数为5条，如果出现最近连续5条数据都被判断为异常数据，那这5条数据都被判定为正常数据，后续的异常数据再重新开始计算。

具体的，对于异常数据的判断阈值：可取前3天的历史数据（至少满足3

1440/d条数据），然后计算前5%数据（不包含当前数据），记为A1，如果当前时刻数据大于 c0/>

A1，记为异常数据，并将异常数据并入异常数组，若正常数据，继续进行报警计算。

如果出现最近连续5条数据都被判断为异常数据，那这5条数据都被判定为正常数据，后续的异常数据再重新开始计算。

S3：将历史数据中前移时间段的设定比例数据记为报警触发门限，再根据报警触发门限制定分级门限阈值，将当前数值与分级门限阈值进行对比以对应执行分级报警；判断连续报警次数是否满足预设次数，若不满足则取消输出报警，若满足则执行步骤S4；

步骤S3中，将历史数据中前移时间段的设定比例数据记为报警触发门限具体为：

取历史数据中前预设天数的历史数据；

提取历史数据中设定比例的数值并记为报警触发门限。

步骤S3公开了报警阈值的计算，具体的：计算前10天数据（至少满足10

1440/d条数据）前5%数据（不包含当前数据），记为 A0，也就是报警触发门限。根据A0，设定分级数据阈值[B0，B1，B2]，将当前时刻数据与数据阈值[B0，B1，B2]进行对比，分别对应1、2、3 级阈值报警，不满 B0则不报警。

其中，步骤S3判断连续报警次数是否满足预设次数中，预设次数可以是3次，如果连续满3次，输出报警，不满3次就不进行当次报警。

S4：输出该特征指标下当前时刻数据的报警触发门限、报警结果、异常数据构成的数组以及报警次数。

另外，步骤S4还包括：将输出的异常数据构成的数组实时并入异常数据数组中，即实现了异常数组实时更新。

进一步的，步骤S4中，报警结果具体为分级门限阈值内预设的各等级阈值报警。

本发明中设备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。

本发明所提及的算法可以是以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。（需要说明的是，下面的案例是同一个设备不同时刻前后2次测量的振动有效值的时序数据对本方法进行阐述）

案例一

参考图2（横坐标为时间节点，单位为s，纵坐标为振动有效值，单位为mm/s²），获得设备振动的时序数据和最新时刻数据，构成时序数据；

判断数据长度，该数据数量满足最低的计算数据要求，继续进行报警计算；

此处数据量满足报警计算得最低数据长度，对应步骤S1；

导入异常数组，消除掉历史数据中全部的异常值；

异常数据判断，计算该组数据前3天历史数据，前5%，数据A1为22.56，当前时刻的数值40.49超出1.5

A1的值，判断该值为异常数据；

此处异常数据的判断对应步骤S2，其中，历史数据中前移时间段的设定比例数值具体为前3天历史数据中的前5%，得到其值A1为22.56，而对该数值进行加权系数1.5后，当前时刻的数值40.49＞1.5

22.56，则判断当前时刻的数值为异常数据。

再分析该数据前4条数据是否为异常数据，不满足连续5条数据异常，判定为该数据为异常数据，不进行报警。

将当前新增的异常数据增加到异常数组中，实现了异常数组的实时更新。

案例二

参考图3（横坐标为时间节点，单位为s，纵坐标为振动有效值，单位为mm/s²），获得设备振动的时序数据和最新时刻数据，构成时序数据；

导入异常数组和报警数量；

判断数据长度，并消除历史数据中的异常数据；

异常数据判断，计算该组数据前3天历史数据，前5%，数据A1为25.44，当前时刻的数值31.46未超出1.5

A1的值，判断该值为正常数据，则进行后续报警计算；

此处异常数据的判断对应步骤S2，其中，历史数据中前移时间段的设定比例数值具体为前3天历史数据中的前5%，得到其值A1为25.44，而对该数值进行加权系数1.5后，当前时刻的数值31.46＜1.5

25.44，则判断当前时刻的数值为正常数据。

计算前10天数据前5%数据，A0为24.67，分别计算对应的三级报警门限[B0，B1，B2]，对比当前数据和门限，进行报警；

判断连续报警的次数，该组数据已经连续满3次报警，当次进行报警，报警级别为1级。

依次传出报警触发门限A0、报警结果、报警原因、异常数据的数组，连续报警的次数。

从以上案例的处理结果中可以看出，本方法能够对通用指标进行有效的异常数据排查，阈值设定，重复报警抑制，数据反馈，并对当前故障数据进行准确的分级报警；通过对所测设备的通用指标参数进行历史追溯得到时间序列数据，通过分析近期时序数据的分布变化情况，制定当前时刻的异常数据自适应判断阈值，分级报警的自适应判断阈值，以及不同层级的报警抑制规则，能够对当前故障数据进行有效的分级报警。

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 (7)

1.一种基于通用指标自适应阈值的分级报警方法，其特征在于：步骤包括：

S1：追溯设备特征指标的历史数据，获取该特征指标下历史数据中设定时间段内的时序数据，判断所述时序数据的数据量是否满足符合报警计算的最低数据长度，若不满足则取消输出报警，若满足则执行步骤S2；

S2：采集该特征指标下的当前时刻数组和异常数据数组，依据所述异常数据数组排除所述历史数据中的异常值，再判断当前时刻数组中当前数值是否大于历史数据中前移时间段的设定比例数值，若是，则将所述当前数值记为异常数据且取消输出报警，若不是，将所述当前数值记为正常数据并对当前数值执行步骤S3；

S3：将所述历史数据中前移时间段的设定比例数据记为报警触发门限，再根据报警触发门限制定分级门限阈值，将所述当前数值与分级门限阈值进行对比以对应执行分级报警；判断连续报警次数是否满足预设次数，若不满足则取消输出报警，若满足则执行步骤S4；

S4：输出该特征指标下当前时刻数据的报警触发门限、报警结果、异常数据构成的数组以及报警次数。

2.根据权利要求1所述的一种基于通用指标自适应阈值的分级报警方法，其特征在于：所述设备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自适应阈值的分级报警方法，其特征在于：步骤S2中，若异常数据出现条数大于设定条数，则判定出现的异常数据均为正常数据，再对所述当前数值执行步骤S3。

4.根据权利要求1所述的一种基于通用指标自适应阈值的分级报警方法，其特征在于：步骤S2中，判断当前时刻数组中当前数值是否大于历史数据中前移时间段的设定比例数值具体为：

取历史数据中前预设定天数的历史数据；

提取所述历史数据中设定比例的数值，并对该数值加权；

将当前时刻数组中当前数值与加权后的数值进行大小比较。

5.根据权利要求1所述的一种基于通用指标自适应阈值的分级报警方法，其特征在于：步骤S3中，将所述历史数据中前移时间段的设定比例数据记为报警触发门限具体为：

取历史数据中前预设定天数的历史数据；

提取所述历史数据中设定比例的数值并记为报警触发门限。

6.根据权利要求1所述的一种基于通用指标自适应阈值的分级报警方法，其特征在于：所述步骤S4还包括：将输出的异常数据构成的数组实时并入所述异常数据数组中。

7.根据权利要求1所述的一种基于通用指标自适应阈值的分级报警方法，其特征在于：步骤S4中，所述报警结果具体为分级门限阈值内预设的各等级阈值报警。

Images