CN116302848A - 一种评估值被带偏的检测方法、装置、电子设备及介质 - Google Patents
一种评估值被带偏的检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116302848A CN116302848A CN202310566070.2A CN202310566070A CN116302848A CN 116302848 A CN116302848 A CN 116302848A CN 202310566070 A CN202310566070 A CN 202310566070A CN 116302848 A CN116302848 A CN 116302848A
- Authority
- CN
- China
- Prior art keywords
- value
- detection point
- evaluation
- target detection
- biased
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 254
- 238000011156 evaluation Methods 0.000 title claims abstract description 169
- 239000013598 vector Substances 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000013210 evaluation model Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 description 38
- 238000012544 monitoring process Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请公开了一种评估值被带偏的检测方法、装置、电子设备及介质。应于工业检测领域。本申请首先获取待检测设备的若干检测点上的传感器采集到的真实值；通过各检测点对应的各预设评估模型获取各检测点分别对应的评估值；对真实值和评估值进行趋势分析，以得到对应检测点的真实值趋势向量和评估值趋势向量；根据目标检测点的相关性数值以及目标检测点与其余检测点之间的相关性数值关系，判断目标检测点的评估值是否被带偏，相关性数值为根据检测点跟其余检测点的真实值趋势向量和评估值趋势向量的关系得到。本申请可以检测工业现场设备检测点的数值是否被带偏，并给出检测结果，从而提高状态评估模型系统完整性，节省人力成本。
Description
技术领域
本申请涉及工业检测领域，特别是涉及一种评估值被带偏的检测方法、装置、电子设备及介质。
背景技术
工业设备实时产生大量的数据存在数据库中，使得算法工程师可以在其中从事数据挖掘的工作来挖掘数据价值。设备状态监测需要从这些历史数据中提取一部分数据，并通过分析得到设备的状态监测和故障诊断，给出早起失效模式的确切信息。
设备多维状态监督方法一种非线性的多元预测诊断技术，使用实际监测数据与正常运行时的健康数据或者历史健康数据为基础进行评估模型训练，对实时运行时的各个传感器检测数据进行运算得到当前实际监测数据的评估值，然后对评估值与实际值进行对比分折，使用两者的误差，进行最终当前设备健康状态的评估诊断。目前在核电站传感器校验、设备监测、电子产品寿命预测等方面有成功的应用。但是这种诊断技术会带来传感器测点带偏的问题。传感器测点包含多种针对设备的物理量的监测，比如温度，压力，电流，电压，介质流量等。同一台设备/系统中，不同位置，不同类型的传感器测点拥有不同的数据趋势，当某一测点的评估值跑偏后，直接导致了该点的评估值与实际值产生了较大的误差，从而造成传感器测点的状态评估不合理，不准确，对设备的状态出现误诊。并且由于某些设备比较复杂，含有的测点多达百个，通过人为判断某个测点是否被带跑偏将非常耗时耗力和成本。
鉴于上述技术，寻求一种基于趋势相关性检测传感器评估值被带偏的方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种评估值被带偏的检测方法、装置、电子设备及介质。本申请可以检测工业现场设备检测点的数值是否被带偏，给出检测结果，从而提高状态评估模型系统完整性，节省人力成本。
为解决上述技术问题，本申请提供一种评估值被带偏的检测方法，包括：
获取待检测设备的若干检测点上的传感器采集到的真实值；
通过各检测点对应的各预设评估模型获取各检测点分别对应的评估值；
对真实值和评估值进行趋势分析，以得到对应检测点的真实值趋势向量和评估值趋势向量；
根据目标检测点的相关性数值以及目标检测点与其余检测点之间的相关性数值关系，判断目标检测点的评估值是否被带偏；其中目标检测点为若干检测点中的任一检测点，目标检测点的相关性数值为根据目标检测点的真实值趋势向量和评估值趋势向量得到，目标检测点与其余检测点的相关性数值为根据目标检测点的评估值趋势向量和其余检测点的真实值趋势向量得到。
优选地，对真实值和评估值进行趋势分析包括：
基于Cox-stuart方法对真实值和评估值进行趋势分析。
优选地，根据目标检测点的相关性数值以及目标检测点与其余检测点的相关性数值关系，判断目标检测点的评估值是否被带偏包括：
若目标检测点的相关性数值大于预设数值，且目标检测点与其余检测点的相关性数值不大于预设数值，则判定目标检测点的评估值未被带偏；
若目标检测点的相关性数值不大于预设数值，且目标检测点与其余检测点的相关性数值大于预设数值，则判定目标检测点的评估值被带偏。
优选地，根据任一检测点的相关性数值和任一检测点和其余检测点的相关性数值的关系，判断检测点的评估值是否带偏还包括：
若目标检测点的相关性数值不大于预设数值，且目标检测点与其余检测点的相关性数值也不大于预设数值，则判定当前目标检测点对应的评估模型的评估效果达不到预设评估效果；
若目标检测点的相关性数值大于预设数值，且目标检测点与其余检测点的相关性数值也大于预设数值，则判定当前检测点对应的评估模型的评估效果达到预设评估效果，且目标测点与其余检测点有关联性。
优选地，判断目标检测点的评估值是否被带偏之后，还包括：
若目标检测点的评估值被带偏，则基于预设权重调整规则调整目标检测点在对应的评估模型中的权重值，以便评估模型利用调整后权重值将目标检测点对应的评估值调整至非带偏状态。
优选地，根据真实值趋势向量和评估值趋势向量确定相关性数值包括：
根据真实值趋势向量和评估值趋势向量并基于皮尔逊相关系数计算确定相关性数值。
为解决上述问题，本申请还提供一种评估值被带偏的检测装置，包括：
第一获取模块，用于获取待检测设备的若干检测点上的传感器采集到的真实值；
第二获取模块，用于通过各检测点对应的各预设评估模型获取各检测点分别对应的评估值；
趋势分析模块，用于对真实值和评估值进行趋势分析，以得到对应检测点的真实值趋势向量和评估值趋势向量；
判断模块，用于根据目标检测点的相关性数值以及目标检测点与其余检测点之间的相关性数值关系，判断目标检测点的评估值是否被带偏；其中目标检测点为若干检测点中的任一检测点，目标检测点的相关性数值为根据目标检测点的真实值趋势向量和评估值趋势向量得到，目标检测点与其余检测点的相关性数值为根据目标检测点的评估值趋势向量和其余检测点的真实值趋势向量得到。
优选地，评估值被带偏的检测装置还包括：
调整模块，用于若目标检测点的评估值被带偏，则基于预设权重调整规则调整目标检测点在对应的评估模型中的权重值，以便评估模型利用调整后权重值将目标检测点对应的评估值调整至非带偏状态。
为解决上述问题，本申请还提供一种电子设备，包括存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现评估值被带偏的检测的方法的步骤。
为解决上述问题，本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现评估值被带偏的检测的方法的步骤。
本申请所提供的一种评估值被带偏的检测方法，包括：获取待检测设备的若干检测点上的传感器采集到的真实值；通过各检测点对应的各预设评估模型获取各检测点分别对应的评估值；对真实值和评估值进行趋势分析，以得到对应检测点的真实值趋势向量和评估值趋势向量；根据目标检测点的相关性数值以及目标检测点与其余检测点之间的相关性数值关系，判断目标检测点的评估值是否被带偏；其中目标检测点为若干检测点中的任一检测点，目标检测点的相关性数值为根据目标检测点的真实值趋势向量和评估值趋势向量得到，目标检测点与其余检测点的相关性数值为根据目标检测点的评估值趋势向量和其余检测点的所述真实值趋势向量得到。本申请可以检测工业现场设备检测点的数值是否被带偏，并给出检测结果，从而提高状态评估模型系统完整性，节省人力成本。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的评估值被带偏的检测方法流程图；
图2为本申请另一实施例提供的评估值被带偏的检测装置模块图；
图3为本申请另一实施例提供的电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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，都属于本申请保护范围。
本申请的核心是提供一种评估值被带偏的检测方法、装置、电子设备及介质。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
设备多维状态监测是工业界对于昂贵设备进行监督管理的技术，该技术的目的希望达到运维和维修成本的降低，并且挖掘设备的使用潜能。设备状态评估也属于状态监测的范畴，需要使用数据训练评估模型，使用该评估模型对实时监测数据进行评估，并根据评估值与实际值的差值对设备的状态进行间接的评估。因此，评估值的准确性/合理性对最终的设备状态评估结果会产生关键的影响。
其中，传感器测点包含多种针对设备的物理量的监测，比如温度，压力，电流，电压，介质流量等。同一台设备/系统中，不同位置，不同类型的传感器测点拥有不同的数据趋势，比如在某水泵设备中，泵体的电流值与泵本身的运行工况和运行状态相关性非常大，这类测点一旦出现波动往是快速变化的，其趋势变化以阶梯状的折线形式出现；但是对于回油温度，或者轴承温度由于其变化是一个长时间下的缓慢变化，其趋势变化往往以波浪形的曲线的形式出现。因此，一旦温度测点的评估值呈现阶梯状折线的形式变化的时候，说明该温度测点被电流测点带偏了。
例如：一个设备的多个传感器测点(例如4个测点分别为a,b,c,d)进行评估后，某个传感器测点a的评估值 被其他的传感器测点c带跑偏了，导致a的评估值偏向c的实际值而不是a的实际值，这种情况直接导致了a的评估值与实际值产生了较大的误差，从而造成传感器测点a的状态评估不合理，不准确。并且由于某些设备比较复杂，含有的测点多达百个，通过人为判断 某个测点是否被带跑偏将非常耗时耗力和成本。
为解决上述问题，本申请提供一种评估值被带偏的检测方法，该方法包括如下流程，如图1所示。
S10：获取待检测设备的若干检测点上的传感器采集到的真实值。
在具体实施例中，工业现场每一个设备都会对应若干检测点，每一检测点上的传感器获取对应检测点的数据。
其中，需要说明的是，可以是实时获取，也可以是定时获取，本申请不限定，可以根据用户需要，自行设置。
S11：通过各检测点对应的各预设评估模型获取各检测点分别对应的评估值。
在具体实施例中，不同检测点对应不同的评估模型，例如：水泵设备中，泵体的电流值与泵本身的运行工况和运行状态相关性非常大，这类测点一旦出现波动往是快速变化的，其趋势变化以阶梯状的折线形式出现，对应的评估模型根据数据建立的图像也应为折线形式；但是对于回油温度，或者轴承温度由于其变化是一个长时间下的缓慢变化，其趋势变化往往以波浪形的曲线的形式出现，对应的评估模型根据数据建立的图像也应为波浪线形式。
在具体实施例中，使用实际监测数据与正常运行时的健康数据或者历史健康数据为基础进行评估模型训练，对实时运行时的各个传感器检测数据进行运算得到当前实际监测数据的评估值。
S12：对真实值和评估值进行趋势分析，以得到对应检测点的真实值趋势向量和评估值趋势向量。
在具体实施例中，趋势分析方法是一种可以时序监测数据的趋势有时候能够反应许多设备的运行状态的方法。例如数据值增大是一种上升趋势，数据减小是一种下降趋势，数据值变化不大是一种平稳的趋势，利用趋势可以表征出数据阶段性的变化情况。
需要说明的是，对任意检测点的真实值和评估值分别进行趋势分析，得到对应的真实值趋势向量和评估值趋势向量。
S13：根据目标检测点的相关性数值以及目标检测点与其余检测点之间的相关性数值关系，判断目标检测点的评估值是否被带偏；其中目标检测点为若干检测点中的任一检测点，目标检测点的相关性数值为根据目标检测点的真实值趋势向量和评估值趋势向量得到，目标检测点与其余检测点的相关性数值为根据目标检测点的评估值趋势向量和其余检测点的真实值趋势向量得到。
在具体实施例中，趋势相关性方法是一种使用相关性计算方法对趋势向量进行相关性计算获得趋势相关性值的方法。如果一组数据的趋势与另一组数据的趋势相关性较大，那么可以认为这两组数据的相关性较大。现有的相关性计算法比如余弦相似度，欧氏距离相似度，皮尔逊相似度计算方法等。
其中，目标检测点的相关性数值为根据目标检测点的真实值趋势向量和评估值趋势向量得到，目标检测点与其余检测点的相关性数值为根据目标检测点的评估值趋势向量和其余检测点的真实值趋势向量得到。
本申请所提供的一种评估值被带偏的检测方法，包括：获取待检测设备的若干检测点上的传感器采集到的真实值；通过各检测点对应的各预设评估模型获取各检测点分别对应的评估值；对真实值和评估值进行趋势分析，以得到对应检测点的真实值趋势向量和评估值趋势向量；根据目标检测点的相关性数值以及目标检测点与其余检测点之间的相关性数值关系，判断目标检测点的评估值是否被带偏；其中目标检测点为若干检测点中的任一检测点，目标检测点的相关性数值为根据目标检测点的真实值趋势向量和评估值趋势向量得到，目标检测点与其余检测点的相关性数值为根据目标检测点的评估值趋势向量和其余检测点的所述真实值趋势向量得到。本申请可以检测工业现场设备检测点的数值是否被带偏，并给出检测结果，从而提高状态评估模型系统完整性，节省人力成本。
在上述实施例的基础上，作为一种优选的实施例，对真实值和评估值进行趋势分析包括：
基于Cox-stuart方法对真实值和评估值进行趋势分析。
在具体实施例中，根据现有设备的情况，每中设备都有若干传感器测点，现假设某台设备有n个传感器采集数据，在时间跨度为m的长度上采集一组数据，那么第i个传感器采集的数据形式表示为：
其中，m表示时序长度，i表示第i个传感器测点，将n个传感器采集的数据整理成矩阵的形式，可表示为：
其中，趋势分析的方法旨在对数据进行趋势变化的分析，现已有多种算法进行分析，本专利基于Cox-stuart方法进行趋势分析，旨在将数据的趋势区分出上升趋势，下降趋势，平稳趋势。
将上述数据进行隔开取数，取
和/>
组成一对数据，其中c的取值方法为：
当m为偶数时，
；
当m为奇数时，
；
当m为偶数时候共有c对，当m为奇数时候也有c对，将每一对进行作差，其结果值记为：
并对每一对进行作差后，会获得一组差值向量：
对上述向量进行计数，使用
作为标记符号，/>
为（+，-，0）三种符号之一。若
记为/>
，若/>
记为/>
，若/>
记为/>
。表示为标记符向量：
因此可以通过
，/>
，/>
的数量来判断该时间内的数据处于上升，下降，平稳趋势。其判断规则为：
若
的数量最多，或者/>
与/>
的同样多且多于/>
，则为上升趋势；
若
的数量最多，或者/>
与/>
的同样多且多于/>
则为下降趋势；
若
的数量最多，则为平稳趋势；
若
与/>
同样多，多于/>
，则为波动趋势。
在本申请中，将
记为1，/>
记为-1，/>
记为0，则标记向量可转化为趋势向量
其中，需要说明的是，上述具体数值仅是一种举例，是一种可以实现的方式，可以根据用户的需要，自行设置。
在上述实施例的基础上，作为一种优选的实施例，根据目标检测点的相关性数值以及目标检测点与其余检测点的相关性数值关系，判断目标检测点的评估值是否被带偏包括：
若目标检测点的相关性数值大于预设数值，且目标检测点与其余检测点的相关性数值不大于预设数值，则判定目标检测点的评估值未被带偏；
若目标检测点的相关性数值不大于预设数值，且目标检测点与其余检测点的相关性数值大于预设数值，则判定目标检测点的评估值被带偏。
若目标检测点的相关性数值不大于预设数值，且目标检测点与其余检测点的相关性数值也不大于预设数值，则判定当前目标检测点对应的评估模型的评估效果达不到预设评估效果；
若目标检测点的相关性数值大于预设数值，且目标检测点与其余检测点的相关性数值也大于预设数值，则判定当前检测点对应的评估模型的评估效果达到预设评估效果，且目标测点与其余检测点有关联性。
其中，根据真实值趋势向量和评估值趋势向量并基于皮尔逊相关系数计算确定相关性数值。
在具体实施例中，目前已有较多的算法能够实现两个向量的相关性计算，例如欧式距离相关性，余弦值相关性，皮尔逊相关性等，本申请以平皮尔逊相关性方法为例进行趋势相关性计算。
趋势相关性计算的是评估值趋势向量与实际值趋势向量两者之间的相关性，其中评估值趋势向量和实际值趋势向量都属于n个传感器数据序列的，评估值由设备状态评估模型得到，此模型建模方法已经有大量的研究和成果，本申申请对评估模型的训练建模过程不做详细说明，并且不做具体限定，可以根据用户的需要，自行设置。
其中，现假设评估值的趋势向量表示为：
理论上同一个传感器测点下获得的评估值的趋势向量与实际值的趋势向量应该保持一致或者相关性非常大。
皮尔逊相关系数计算同一个传感器测点下的相关性值，其计算公式为两个目标向量的协方差与标准差的商：
上公式中
表示两个向量的协方差，/>
表示一个向量的标准差。
不同传感器测点的评估值与实际值的皮尔逊相关系数值为：
通过上述公式可以获得任意一个评估值与任意一个实际值的趋势相关性。该趋势相关性将直接用于检测(判断)某传感器下测点是否被带偏。具体的判断逻辑如下：
1）某测点i的评估值与自身的真实值趋势相关性高(>0.5)，而且与其他测(例如j测点)点真实值趋势相关性低(≤0.5)：测点未被带偏。
2）某测点i的评估值与真实值趋势相关性低(≤0.5)，而且与其他测点(例如j测点)真实值趋势相关性高(>0.5)：i测点评估值已经被j测点带偏。
3）某测点i的评估值与真实值趋势相关性低(≤0.5)，与其他测点(例如j测点)真实值趋势相关性也低(例如j测点)：评估模型评估效果差，与测点是否被带偏无关。
4）某测点i的评估值与真实值趋势相关性高(>0.5)，与其他测点(例如j测点)真实值趋势相关性也高(>0.5)：i和j测点的关联系性很高，属于正常评估结果，不属于是带偏的影响。
需要说明的是，在上述实施例中，预设数值为0.5，本申请仅是一种可以实现的方式，但是不限于只有该种实现方式，可以根据用户的需要，自行设置。
其中，上述判断逻辑也仅为一种可以实现的方式，但是不限于只有该种实现方式，可以根据用户的需要，自行设置。
本申请实施例根据相关性数值与预设数值的对应关系对目标检测点进行判断，在某些设备比较复杂，含有的测点多达百个的情况下，降低了检测成本。
在上述实施例的基础上，作为一种优选的实施例，判断目标检测点的所述评估值是否被带偏之后，还包括：
若目标检测点的评估值被带偏，则基于预设权重调整规则调整目标检测点在对应的评估模型中的权重值，以便评估模型利用调整后权重值将目标检测点对应的评估值调整至非带偏状态。
在具体实施例中，针对上述实施例中的逻辑判断结果，进行不同的处理，具体处理方式如下：
1）测点未被带偏：无需处理
2）测点被带偏：如果该测点较重要，就手动调整该测点在评估模型中的重要度(权重值)，减弱其被带偏的可能。
3）评估模型评估效果差：重新用历史数据训练评估模型。
4）关联性较高测点：无需处理。
以某厂的冷却水泵为例，该设备特性复杂，测点分布较多，产生状态异常的原因也很多，但是价格昂贵，维修耗时耗钱，因此对其进行状态监测有较高的价值。目前从该设备上采集的监测数据主要有温度，压力，电流，电功率等物理量，这些数据中有的测点成稳定的水平线状态（电压测点），有的测点成阶梯状变化较快的形式（如电流测点），有的测点成波动起伏变化的形式（如温度测点）。
先对采集的数据进行预处理，过程包括归一化，删除缺损值及异常数值点，对于待评估的数据需要整理成公式矩阵的形式。然后用上述公式生成趋势向量。
由于本申请考虑侧重点为检测测点评估值是否被带偏，所以不对状态评估模型做详细的叙述，现假设已经训练好评估模型，并且评估模型对待测数据做出的评估结果也已经用矩阵形式所呈现出来，使用上述公式生成趋势向量。现在将待测数据的趋势向量和评估数据的趋势向量使用皮尔逊相关性方法分别计算出相应的趋势相似度值，最后进行判断。
其中，需要说明的是，工业现场设备，连接关系较为复杂，本申请实施例仅是一种可以实现的方式，但是不限于只有该种实现方式，可以根据用户的需要和真实的工业现场的需求，自行设置。
本申请实施例通过自动检测某个测点是否被其他测点带偏并给出检测结果以及处理方式，从而提高状态评估模型系统完整性，节省人力成本。
在上述实施例中，对于评估值被带偏的检测方法进行了详细描述，本申请还提供评估值被带偏的检测装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
图2为本申请另一实施例提供的评估值被带偏的检测装置模块图，如图所示，包括：
第一获取模块11，用于获取待检测设备的若干检测点上的传感器采集到的真实值；
第二获取模块12，用于通过各检测点对应的各预设评估模型获取各检测点分别对应的评估值；
趋势分析模块13，用于对真实值和评估值进行趋势分析，以得到对应检测点的真实值趋势向量和评估值趋势向量；
判断模块14，用于根据目标检测点的相关性数值以及目标检测点与其余检测点之间的相关性数值关系，判断目标检测点的评估值是否被带偏；其中目标检测点为若干检测点中的任一检测点，目标检测点的相关性数值为根据目标检测点的真实值趋势向量和评估值趋势向量得到，目标检测点与其余检测点的相关性数值为根据目标检测点的评估值趋势向量和其余检测点的真实值趋势向量得到。
在上述实施例的基础上，作为一种优选的实施例，还包括：
调整模块15，用于若目标检测点的所述评估值被带偏，则基于预设权重调整规则调整目标检测点在对应的评估模型中的权重值，以便评估模型利用调整后权重值将目标检测点对应的评估值调整至非带偏状态。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图3为本申请另一实施例提供的电子设备的结构图，如图3所示，电子设备包括：存储器20，用于存储计算机程序；
处理器21，用于执行计算机程序时实现如上述实施例中所提到的评估值被带偏的检测方法的步骤。
本实施例提供的电子设备可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器 (Digital Signal Processor，DSP)、现场可编程门阵列 (Field－Programmable Gate Array，FPGA)、可编程逻辑阵列 (Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器 (CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图像处理器 (Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能 (Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的评估值被带偏的检测方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。
在一些实施例中，电子设备还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解，图3中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的组件。
本申请实施例提供的电子设备，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：评估值被带偏的检测方法。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是，如果上述实施例中的方法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，本申请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，执行本申请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（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的一种评估值被带偏的检测方法、装置、电子设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种评估值被带偏的检测方法，其特征在于，包括：
获取待检测设备的若干检测点上的传感器采集到的真实值；
通过各检测点对应的各预设评估模型获取各检测点分别对应的评估值；
对所述真实值和所述评估值进行趋势分析，以得到对应检测点的真实值趋势向量和评估值趋势向量；
根据目标检测点的相关性数值以及所述目标检测点与其余检测点之间的相关性数值关系，判断所述目标检测点的所述评估值是否被带偏；其中所述目标检测点为所述若干检测点中的任一检测点，所述目标检测点的相关性数值为根据所述目标检测点的所述真实值趋势向量和所述评估值趋势向量得到，所述目标检测点与其余检测点的相关性数值为根据所述目标检测点的所述评估值趋势向量和所述其余检测点的所述真实值趋势向量得到。
2.根据权利要求1所述的评估值被带偏的检测方法，其特征在于，所述对所述真实值和所述评估值进行趋势分析包括：
基于Cox-stuart方法对所述真实值和所述评估值进行趋势分析。
3.根据权利要求1所述的评估值被带偏的检测方法，其特征在于，所述根据目标检测点的相关性数值以及所述目标检测点与其余检测点的相关性数值关系，判断所述目标检测点的所述评估值是否被带偏包括：
若所述目标检测点的相关性数值大于预设数值，且所述目标检测点与其余检测点的相关性数值不大于所述预设数值，则判定所述目标检测点的评估值未被带偏；
若所述目标检测点的相关性数值不大于所述预设数值，且所述目标检测点与其余检测点的相关性数值大于所述预设数值，则判定所述目标检测点的评估值被带偏。
4.根据权利要求3所述的评估值被带偏的检测方法，其特征在于，所述根据任一检测点的相关性数值和任一检测点和其余检测点的相关性数值的关系，判断所述检测点的所述评估值是否带偏还包括：
若所述目标检测点的相关性数值不大于所述预设数值，且所述目标检测点与其余检测点的相关性数值也不大于所述预设数值，则判定所述当前目标检测点对应的评估模型的评估效果达不到预设评估效果；
若所述目标检测点的相关性数值大于所述预设数值，且所述目标检测点与其余检测点的相关性数值也大于所述预设数值，则判定所述当前检测点对应的评估模型的评估效果达到所述预设评估效果，且所述目标测点与其余检测点有关联性。
5.根据权利要求1所述的评估值被带偏的检测方法，其特征在于，所述判断所述目标检测点的所述评估值是否被带偏之后，还包括：
若所述目标检测点的所述评估值被带偏，则基于预设权重调整规则调整所述目标检测点在对应的所述评估模型中的权重值，以便所述评估模型利用调整后权重值将所述目标检测点对应的所述评估值调整至非带偏状态。
6.根据权利要求1-5任一项所述的评估值被带偏的检测方法，其特征在于，根据所述真实值趋势向量和所述评估值趋势向量确定相关性数值包括：
根据所述真实值趋势向量和所述评估值趋势向量并基于皮尔逊相关系数计算确定相关性数值。
7.一种评估值被带偏的检测装置，其特征在于，包括：
第一获取模块，用于获取待检测设备的若干检测点上的传感器采集到的真实值；
第二获取模块，用于通过各检测点对应的各预设评估模型获取各检测点分别对应的评估值；
趋势分析模块，用于对所述真实值和所述评估值进行趋势分析，以得到对应检测点的真实值趋势向量和评估值趋势向量；
判断模块，用于根据目标检测点的相关性数值以及所述目标检测点与其余检测点之间的相关性数值关系，判断所述目标检测点的所述评估值是否被带偏；其中所述目标检测点为所述若干检测点中的任一检测点，所述目标检测点的相关性数值为根据所述目标检测点的所述真实值趋势向量和所述评估值趋势向量得到，所述目标检测点与其余检测点的相关性数值为根据所述目标检测点的所述评估值趋势向量和所述其余检测点的所述真实值趋势向量得到。
8.根据权利要求7所述的评估值被带偏的检测装置，其特征在于，还包括：
调整模块，用于若所述目标检测点的所述评估值被带偏，则基于预设权重调整规则调整所述目标检测点在对应的所述评估模型中的权重值，以便所述评估模型利用调整后权重值将所述目标检测点对应的所述评估值调整至非带偏状态。
9.一种电子设备，其特征在于，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的评估值被带偏的检测的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的评估值被带偏的检测的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566070.2A CN116302848B (zh) | 2023-05-19 | 2023-05-19 | 一种评估值被带偏的检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566070.2A CN116302848B (zh) | 2023-05-19 | 2023-05-19 | 一种评估值被带偏的检测方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116302848A true CN116302848A (zh) | 2023-06-23 |
| CN116302848B CN116302848B (zh) | 2023-09-01 |
Family
ID=86790991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310566070.2A Active CN116302848B (zh) | 2023-05-19 | 2023-05-19 | 一种评估值被带偏的检测方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116302848B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105302848A (zh) * | 2014-10-11 | 2016-02-03 | 山东鲁能软件技术有限公司 | 一种设备智能预警系统的评估值校准方法 |
| CN113075575A (zh) * | 2021-03-04 | 2021-07-06 | 湖南大学 | 车辆电池包安全状态评估方法、系统、装置及存储介质 |
| CN114970309A (zh) * | 2022-03-01 | 2022-08-30 | 山东鲁软数字科技有限公司 | 一种火电设备状态预警评估方法 |
| CN115358293A (zh) * | 2022-07-27 | 2022-11-18 | 南京凯盛国际工程有限公司 | 一种降低系统偏差对评估结果干扰的组合方法 |
| CN115712268A (zh) * | 2022-12-23 | 2023-02-24 | 深圳市创立宏科技有限公司 | 一种电子产品辅料自动贴合装置用故障预警系统 |
| US20230065543A1 (en) * | 2021-09-01 | 2023-03-02 | Littlebird Connected Care, Inc. | Scoring caregivers and tracking the development of care recipients and related systems and methods |
| CN115993247A (zh) * | 2022-12-08 | 2023-04-21 | 中国矿业大学 | 基于时间序列分解和保序回归的钻机主轴轴承健康状态评估方法 |
| CN116086537A (zh) * | 2023-02-08 | 2023-05-09 | 杭州安脉盛智能技术有限公司 | 一种设备状态监测方法、装置、设备及存储介质 |
-
2023
- 2023-05-19 CN CN202310566070.2A patent/CN116302848B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105302848A (zh) * | 2014-10-11 | 2016-02-03 | 山东鲁能软件技术有限公司 | 一种设备智能预警系统的评估值校准方法 |
| CN113075575A (zh) * | 2021-03-04 | 2021-07-06 | 湖南大学 | 车辆电池包安全状态评估方法、系统、装置及存储介质 |
| US20230065543A1 (en) * | 2021-09-01 | 2023-03-02 | Littlebird Connected Care, Inc. | Scoring caregivers and tracking the development of care recipients and related systems and methods |
| CN114970309A (zh) * | 2022-03-01 | 2022-08-30 | 山东鲁软数字科技有限公司 | 一种火电设备状态预警评估方法 |
| CN115358293A (zh) * | 2022-07-27 | 2022-11-18 | 南京凯盛国际工程有限公司 | 一种降低系统偏差对评估结果干扰的组合方法 |
| CN115993247A (zh) * | 2022-12-08 | 2023-04-21 | 中国矿业大学 | 基于时间序列分解和保序回归的钻机主轴轴承健康状态评估方法 |
| CN115712268A (zh) * | 2022-12-23 | 2023-02-24 | 深圳市创立宏科技有限公司 | 一种电子产品辅料自动贴合装置用故障预警系统 |
| CN116086537A (zh) * | 2023-02-08 | 2023-05-09 | 杭州安脉盛智能技术有限公司 | 一种设备状态监测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| ONDREJ LEDVINKA: "Is the Cox-Stuart test for trend really insensitive to autocorrelation?", HYDROLOGY IN A CHANGING WORLD: ENVIRONMENTAL AND HUMAN DIMENSIONS POSTER PROCEEDINGS OF FRIEND-WATER 2014, pages 68 - 71 * |
| 曾四清等: "两组序列数据趋势变化特征对比分析的 Joinpoint 回归模型方法及应用", 中国卫生统计, vol. 38, no. 2, pages 307 - 311 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116302848B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11886311B2 (en) | Intra-class adaptation fault diagnosis method for bearing under variable working conditions | |
| Lai et al. | Online pattern matching and prediction of incoming alarm floods | |
| Liu et al. | A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory | |
| EP3876056A1 (en) | Abnormality detection device, abnormality detection method, and program | |
| US8650137B2 (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
| CN110032490A (zh) | 用于检测系统异常的方法及其装置 | |
| CN109784528A (zh) | 基于时间序列和支持向量回归的水质预测方法及装置 | |
| US20170249559A1 (en) | Apparatus and method for ensembles of kernel regression models | |
| CN112504511B (zh) | 一种发电机定子温度监测方法、装置及介质 | |
| EP3795975A1 (en) | Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program | |
| CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
| CN116861798B (zh) | 基于XGBoost算法的真空干泵在线实时剩余寿命预测方法 | |
| CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
| EP4160339A1 (en) | Abnormality/irregularity cause identifying apparatus, abnormality/irregularity cause identifying method, and abnormality/irregularity cause identifying program | |
| JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN113312696B (zh) | 基于arima算法的桥梁健康状况动态预测告警方法 | |
| Simula et al. | Process monitoring and visualization using self-organizing maps | |
| CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
| CN116302848B (zh) | 一种评估值被带偏的检测方法、装置、电子设备及介质 | |
| CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
| CN117056842A (zh) | 构建设备异常监测模型的方法、装置、设备、介质及产品 |
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 |