CN116363843A - 试验室设备预警系统 - Google Patents

试验室设备预警系统 Download PDF

Info

Publication number
CN116363843A
CN116363843A CN202310327520.2A CN202310327520A CN116363843A CN 116363843 A CN116363843 A CN 116363843A CN 202310327520 A CN202310327520 A CN 202310327520A CN 116363843 A CN116363843 A CN 116363843A
Authority
CN
China
Prior art keywords
early warning
data
algorithm
equipment
laboratory 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
Application number
CN202310327520.2A
Other languages
English (en)
Inventor
张泽宇
周建
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.)
Shanghai Satake Cool-Heat & Control Technique Co ltd
Original Assignee
Shanghai Satake Cool-Heat & Control Technique Co ltd
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 Shanghai Satake Cool-Heat & Control Technique Co ltd filed Critical Shanghai Satake Cool-Heat & Control Technique Co ltd
Priority to CN202310327520.2A priority Critical patent/CN116363843A/zh
Publication of CN116363843A publication Critical patent/CN116363843A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Emergency Management (AREA)
  • Discrete Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种试验室设备预警系统，包括：存储模块形成基于分布式文件存储的数据库，采用非结构化形式以文档的方式存储数据；数据处理模块用于对所述数据库中的数据进行持续地分析处理和机器学习工作，使数据能被预警算法不断利用并学习；预警分析模块，其预警算法。本发明通过数据存储、数据处理和预警算法三方面改进能大大提升了设备预警的可靠性和准确性，能让使用者及时介入，提升设备的使用寿命。

Description

试验室设备预警系统
技术领域
本发明涉及工业控制领域，特别是涉及一种基于机器学习的试验室设备的大数据专家预警信息系统。
背景技术
在现有的试验室设备中，设备提供方为了设备的正常运行和使用寿命的考虑，会为客户提供当设备运行状态异常时进行预警提醒以延长试验室设备的使用寿命。而提供设备预警的判断基准一般基于以下几个部分：
1、工程经验，对设备某些参数的绝对值进行判断，如果高于或者低于某个值，则产生对于这个设备的预警。
2、工程经验，对设备某些参数的方差值或者平均值进行判断，如果高于或者低于某个值，则产生对于这个设备的预警。
这些预警提示信息通常集成于试验室软件中，以提示框的形式告知使用者，以让使用者提前介入而延长设备的使用寿命。
在实际使用中，现有的技术方案存在以下几方面缺陷，而使得现有的方案并不能达到满意的效果：
(1)试验室的设备运行状态数据都是孤立的，难以对这些设备的数据进行统一分析和处理，因而设备提供方只能依据工程经验为设备提供一个定性和粗略的预警范围，难以保证预警的准确性和实际效果。
(2)现有的判断方式大多是以人工的经验为主，辅以一些方差值、时序判断等数学方式，对设备的预警状态进行判断。其预警策略受限于人工总结经验而难以有进一步的变动与发展。
中国专利CN202211012175.5公开了一种基于工业互联网的生产故障预警系统，属于工业互联网领域，用于解决在现有生产中的故障预警方式没有细化到某一区域，且没有结合实际设定对应的故障预警力度的问题，包括区间界定模块、区域分析模块、预警分级模块、设备分析模块和智能预警模块，所述区间界定模块用于将生产车间进行区间界定，所述区域分析模块用于对生产区域的区域情况进行分析，所述设备分析模块用于对生产区域的设备情况进行分析，所述预警分级模块用于对生产区域的生产故障进行预警分级，所述智能预警模块用于对生产区域进行智能预警。该方案无法满足准确预警的需求。
中国专利CN202210882602.9公开了一种基于神经网络的电厂设备运行参数监测方法，包括步骤：获取电厂设备无故障运行的历史运行参数数据；进行预处理得到训练样本数据；训练神经网络模型，输出参数的预测值及与历史数据的残差范围；每间隔预设周期获取实时运行参数，通过神经网络模型输出预测值，判断实时数据与预测值的差值超出残差范围的总时长是否超过预设时间阈值，判断是否存在异常并发出预警信息；本发明提供的方法可用以解决现有监控设备对异常数据灵敏度不足的缺陷，对异常数据及时给出预警，在参数明确已偏离正常情况却还未达到系统设定的报警值时也能给出预警信号，有利于尽早消除数据隐患。该方案虽然采用了神经网络的方案，但没有解决数据孤岛的问题，仍无法满足准确预警的需求。
发明内容
本发明要解决的技术问题是提供一种能克服传统工业领域设备预警数据股孤立万体，能避免依赖专家经验的试验室设备预警系统。
为解决上述技术问题，本发明提供的试验室设备预警系统，包括：
存储模块，其形成基于分布式文件存储的数据库，采用非结构化形式以文档的方式存储数据；
数据处理模块，其用于对所述数据库中的数据进行持续地分析处理和机器学习工作，使数据能被预警算法不断利用并学习；
预警分析模块，其预警算法。
优选的，存储模块采用MongoDB，数据处理模块采用Spark集群。
MongoDB是一个基于分布式文件存储的数据库，采用非结构化形式以文档的方式存储数据，对于试验室数据，能够方便地按照设备型号、采集传感器类型等特点进行标签化存储，便于后续地数据处理。
Spark是一个通用且使用与大规模数据地处理引擎，通过其与MongoDB数据库进行对接，便能做到对采集上来地数据进行持续地分析处理和机器学习工作，保证数据能够被后台算法所不断的利用并学习，持续提升预警算法的预测准确度和效率。
可选择的，预警算法由快速傅里叶变换和随机森林决策树组成。
优选的，数据处理模块采用Flink流式处理。
优选的，预警算法由基于人工经验的随机森林机器学习算法与BP神经网络算法组成。
现有的技术仅仅是依靠以往的工程经验去粗略的预测设备的运行状态来给使用者发出预警告知，其准确性和有效性都难以满足使用者的使用需要，因而往往被使用者忽略处理。本发明通过数据存储、数据处理和预警算法三方面改进能大大提升了设备预警的可靠性和准确性，能让使用者及时介入，提升设备的使用寿命。
现有的技术不准确的原因主要是因为存在数据孤岛的问题，不同试验室的设备数据都是孤立存在的，难以统一分析处理，对长效提升预警的准确性和有效行难以保证。采用该系统，能充分发挥大数据的优势，将理论模型和工程经验充分结合，不断迭代。
附图说明
本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或材料的一般特性，对说明书中的描述进行补充。然而，本发明附图是未按比例绘制的示意图，因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点，本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明：
图1是MongoDB+Spark的混合架构示意图。
图2是试验室设备数据的频域数据分析示意图。
图3是排气压力对压缩机组状态的决策树示意图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是，提供这些实施例是为了使得本发明的公开彻底且完整，并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。应当理解的是，当元件被称作“连接”或“结合”到另一元件时，该元件可以直接连接或结合到另一元件，或者可以存在中间元件。不同的是，当元件被称作“直接连接”或“直接结合”到另一元件时，不存在中间元件。
实施例
本发明提供的一种试验室设备预警系统，包括：
存储模块，存储模块采用MongoDB，其形成基于分布式文件存储的数据库，采用非结构化形式以文档的方式存储数据；
数据处理模块，数据处理模块采用Spark集群，其用于对所述数据库中的数据进行持续地分析处理和机器学习工作，使数据能被预警算法不断利用并学习；
预警分析模块，其预警算法。
为了解决不同试验设备之间的数据孤岛问题，本发明采用了MongoDB+Spark大数据集群来解决该问题。其中MongoDB是一个基于分布式文件存储的数据库，采用非结构化形式以文档的方式存储数据，对于试验室数据，能够方便地按照设备型号、采集传感器类型等特点进行标签化存储，便于后续地数据处理。Spark是一个通用且使用与大规模数据地处理引擎，通过其与MongoDB数据库进行对接，便能做到对采集上来地数据进行持续地分析处理和机器学习工作，保证数据能够被后台算法所不断的利用并学习，持续提升预警算法的预测准确度和效率。
参考图1所示，是其MongoDB+Spark的混合架构图，利用Spark本身所提供的接口，可以在上层编写复杂的预警处理算法，上层通过Spark提供的Driver进行调用，Spark会通过Master节点将任务分配给具体的Worker节点上，Worker节点会执行具体的数据分析和处理工作。此处的Spark节点数量和MongoDB数据库节点数量可以根据实际需求进行扩容和缩减。
可选择的，预警算法由快速傅里叶变换和随机森林决策树组成。
以快速傅里叶变换和随机森林决策树为核心的预警处理算法，通过将人工经验结合的方式对设备的状态进行预测。
针对试验室设备进行预测，需要的是在一个较长周期内对数据的时间序列进行分析和处理，这样才能判断设备的运行状态趋势，而一个设备的运行参数的时间序列中，其数据的波动是十分复杂的。传统方法以时域数据的均方根、平均值或者峰值检测这种简单的手段作为预警算法的依据，难以分析实际工业设备中产生的复杂数据，而采用快速傅里叶变换的方式能够将时域的数据映射到频域中，便于分析不同因素所造成的设备参数变化的影响趋势。
参考图2所示，典型的试验室设备数据的频域数据分析，试验室设备通常为长时间连续运行的往复式设备，虽然其结构组成复杂，但通过对其时域数据进行频域分解，便可将时域上看似杂乱无章的数据分解为有规律可循的频域数据，以用于后续的预警算法处理。参考图2，对于试验室中常见的设备，原始数据为杂乱的波动数据，经过傅里叶变换后得到了A、B、C不同频域下的数据，其中C为低频的长周期波动，往往是外部的环境波动所造成的工作状态的波动，A为高频的短周期波动，往往代表了设备中机械结构的运动所反映的状态波动，B为中频的波动，可以反映整个试验室系统中其它设备对该设备所带来的影响。通过频域的数据，能够找出更加直接反映设备机械运行状态的数据，去除外部干扰因素，使得设备的预警能够更加准确。
在对数据进行预警分析上，采用了随机森林的机器学习算法。随机森林是基于决策树的集成算法，其基本单元是决策树，而每一个决策树本质上都是一个自学习的分类器。针对试验室设备，以常见的压缩机组为例，我们需要基于工程经验，判断出哪些参数是用于判断其设备运行状态的重要参数，对于一个典型的压缩机组，基于工程经验，我们认为排气压力、排气温度、吸气过热度、冷凝器进出水温差是影响压缩机运行状态的重要参数。这些参数中，每一个参数都可以组成一个决策树，以排气压力为例，参考图3所示，为排气压力对压缩机组状态的决策树示例，其中的参数a1,a2,b1,b2通过决策树算法中的CART分类树算法进行非定量预测而得到。
在基于决策树的基础上，以每一个影响参数为基准作为一支决策树，组成决策树集合，通过施加随机扰动使所有的树去相关，便是随机森林算法。由多个决策树组成的随机森林，在对数据进行分析运算时，其结果由每个决策树的投票数决定。比如，对于测试数据A，随机森林的运算结果如下：
Figure BDA0004153715770000051
其中,H(A)为组合树模型，hi为单个决策树模型，Y为输出变量，I为示性函数
通过随机森林算法，可以获得多变量对于压缩机组状态的组合预测模型，实现对设备预警状态的精确预测实现。
可选择的，改进上述实施例，数据处理模块采用Flink流式处理。
可选择的，改进上述实施例，预警算法由基于人工经验的随机森林机器学习算法与BP神经网络算法组成。
除非另有定义，否则这里所使用的全部术语(包括技术术语和科学术语)都具有与本发明所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是，除非这里明确定义，否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思，而不以理想的或过于正式的含义加以解释。
以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。

Claims (6)

1.一种试验室设备预警系统，其特征在于，包括：
存储模块，其形成基于分布式文件存储的数据库，采用非结构化形式以文档的方式存储数据；
数据处理模块，其用于对所述数据库中的数据进行持续地分析处理和机器学习工作，使数据能被预警算法不断利用并学习；
预警分析模块，其预警算法。
2.如权利要求1所述的试验室设备预警系统，其特征在于：存储模块采用MongoDB。
3.如权利要求1所述的试验室设备预警系统，其特征在于：数据处理模块采用Spark集群。
4.如权利要求1所述的试验室设备预警系统，其特征在于：数据处理模块采用Flink流式处理。
5.如权利要求1所述的试验室设备预警系统，其特征在于：预警算法由快速傅里叶变换和随机森林决策树组成。
6.如权利要求1所述的试验室设备预警系统，其特征在于：预警算法由基于人工经验的随机森林机器学习算法与BP神经网络算法组成。
CN202310327520.2A 2023-03-30 2023-03-30 试验室设备预警系统 Pending CN116363843A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310327520.2A CN116363843A (zh) 2023-03-30 2023-03-30 试验室设备预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310327520.2A CN116363843A (zh) 2023-03-30 2023-03-30 试验室设备预警系统

Publications (1)

Publication Number Publication Date
CN116363843A true CN116363843A (zh) 2023-06-30

Family

ID=86929949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310327520.2A Pending CN116363843A (zh) 2023-03-30 2023-03-30 试验室设备预警系统

Country Status (1)

Country Link
CN (1) CN116363843A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117909693A (zh) * 2024-03-18 2024-04-19 江苏高昕建筑系统有限公司 一种电数字数据分析处理装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117909693A (zh) * 2024-03-18 2024-04-19 江苏高昕建筑系统有限公司 一种电数字数据分析处理装置

Similar Documents

Publication Publication Date Title
CN110320892B (zh) 基于Lasso回归的污水处理设备故障诊断系统及方法
CN108763729B (zh) 基于网络结构熵的流程工业机电系统耦合状态评估方法
CN115201608A (zh) 一种基于神经网络的电厂设备运行参数监测方法
CN105930629B (zh) 一种基于海量运行数据的在线故障诊断方法
CN113539382B (zh) 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
CN114862275B (zh) 基于数字孪生模型的仓储物流系统可靠性评估方法及系统
CN106649755A (zh) 一种多维度实时变电设备数据的阈值自适应设置异常检测方法
CN116363843A (zh) 试验室设备预警系统
CN118154174A (zh) 一种工业设备智慧运维云平台
Li et al. Application of Big Data Technology in Evaluation of Operating State of High-Pressure Hydrogenation Heat Exchanger
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
Côme et al. Aircraft engine health monitoring using self-organizing maps
CN117989074A (zh) 一种基于感知计算协同的海上风电机组智能化监测方法
CN117591994A (zh) 电力设备状态数据预测方法、智能化平台、设备及介质
CN117744859A (zh) 基于自适应双控制策略的风电机组发电机故障预警方法
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及系统
CN115755664A (zh) 一种离散型企业制造设备维护方法及系统
CN117076260B (zh) 一种参数及设备异常检测方法及装置
CN117807155B (zh) 多维度预警提示信息的生成方法、设备及存储介质
CN117040137B (zh) 基于多源数据的环网柜温升预警方法、系统、终端及介质
CN118428741B (zh) 一种适应于特殊操作和应急操作的智能防误处理方法
CN117783795B (zh) 边缘分析的换流变阀侧套管绝缘状态综合分析方法及系统
CN114519923B (zh) 一种电厂智能诊断预警方法和系统
Liu et al. Research on Multi-type Abnormal Data Preprocessing Method of Wind Turbine based on Data Identification

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